Holistically Guided Monte Carlo Tree Search for Intricate Information Seeking

要約

膨大なデジタル情報の時代において、利用可能な情報の膨大な量と不均一性は、複雑な情報探索の重要な課題を提示します。
ユーザーは、広大でさまざまなデータソースをナビゲートすることを伴うMultiStep Web検索タスクに頻繁に直面しています。
この複雑さには、すべてのステップが包括的で正確で、関連性のあるままです。
ただし、従来の検索方法は、局所的な精度の必要性と全体的な理解に必要なより広範なコンテキストのバランスをとるのに苦労しており、複雑なクエリの重要な側面を露出していないままにします。
このホワイトペーパーでは、LLMベースの検索アシスタントを紹介します。これは、総合的にガイド付きモンテカルロツリー検索（HG-MCTS）を備えた新しい情報を求めるパラダイムを採用しています。
知識メモリを使用したプログレッシブ情報収集プロセスとしてタスクを再定式化し、MCTのマルチパーセプティックな報酬モデリングで適応的なチェックリストを統合します。
Adaptive Checklistは、複雑なユーザークエリの包括的なカバレッジに向けてMCTプロセスをガイドするための明示的なサブゴールを提供します。
同時に、当社の多面的な報酬モデリングは、探索と検索の両方の報酬の両方を提供し、完了したサブゴールと残りのサブゴールを追跡する進捗フィードバックを提供し、ツリー検索が進むにつれてチェックリストを改良します。
ローカライズされたツリーの拡張とグローバルガイダンスのバランスをとることにより、HG-MCTSは検索パスでの冗長性を減らし、複雑なクエリのすべての重要な側面が適切に対処されるようにします。
現実世界の複雑な情報探索タスクに関する広範な実験は、HG-MCTSが徹底的な知識コレクションを取得し、既存のベースラインと比較してより正確な最終応答を提供することを示しています。

要約(オリジナル)

In the era of vast digital information, the sheer volume and heterogeneity of available information present significant challenges for intricate information seeking. Users frequently face multistep web search tasks that involve navigating vast and varied data sources. This complexity demands every step remains comprehensive, accurate, and relevant. However, traditional search methods often struggle to balance the need for localized precision with the broader context required for holistic understanding, leaving critical facets of intricate queries underexplored. In this paper, we introduce an LLM-based search assistant that adopts a new information seeking paradigm with holistically guided Monte Carlo tree search (HG-MCTS). We reformulate the task as a progressive information collection process with a knowledge memory and unite an adaptive checklist with multi-perspective reward modeling in MCTS. The adaptive checklist provides explicit sub-goals to guide the MCTS process toward comprehensive coverage of complex user queries. Simultaneously, our multi-perspective reward modeling offers both exploration and retrieval rewards, along with progress feedback that tracks completed and remaining sub-goals, refining the checklist as the tree search progresses. By striking a balance between localized tree expansion and global guidance, HG-MCTS reduces redundancy in search paths and ensures that all crucial aspects of an intricate query are properly addressed. Extensive experiments on real-world intricate information seeking tasks demonstrate that HG-MCTS acquires thorough knowledge collections and delivers more accurate final responses compared with existing baselines.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google