[論文レビュー] Explainable Innovation Engine: Dual-Tree Agent-RAG with Methods-as-Nodes and Verifiable Write-Back

Renwei Meng|arXiv (Cornell University)|Mar 10, 2026

Scientific Computing and Data Management被引用数 0

ひとこと要約

Explainable Innovation Engine を提案。手法をノードとして扱うデュアルツリーの出 provenance と抽象化構造、戦略駆動の合成、検証可能な write-back を組み合わせ、RAG ベースのイノベーションを controllable、auditable にする。

ABSTRACT

Retrieval-augmented generation (RAG) improves factual grounding, yet most systems rely on flat chunk retrieval and provide limited control over multi-step synthesis. We propose an Explainable Innovation Engine that upgrades the knowledge unit from text chunks to methods-as-nodes. The engine maintains a weighted method provenance tree for traceable derivations and a hierarchical clustering abstraction tree for efficient top-down navigation. At inference time, a strategy agent selects explicit synthesis operators (e.g., induction, deduction, analogy), composes new method nodes, and records an auditable trajectory. A verifier-scorer layer then prunes low-quality candidates and writes validated nodes back to support continual growth. Expert evaluation across six domains and multiple backbones shows consistent gains over a vanilla baseline, with the largest improvements on derivation-heavy settings, and ablations confirm the complementary roles of provenance backtracking and pruning. These results suggest a practical path toward controllable, explainable, and verifiable innovation in agentic RAG systems. Code is available at the project GitHub repository https://github.com/xiaolu-666113/Dual-Tree-Agent-RAG.

研究の動機と目的

• RAG システムにおける平坦なチャンク検索と多段階制御の制約を、インデックス単位としての methods-as-nodes を導入して解決する。
• explainable なナビゲーションと監査のため、デュアルツリー知識表現（method provenance tree と clustering abstraction tree）を開発する。
• 戦略演算子、 provenance-aware な合成、スコアベースの剪定、実行可能な検証、書き戻しを備えた閉ループ推論パイプラインを設計する。
• 複数ドメインとバックボーンモデルにおいて、素朴なベースラインより改善を示し、部品寄与を検証するアブレーションを行う。

提案手法

• 二つの補完的構造を導入する：再利用可能な方法ユニット間の重み付き推定を記録する Method Provenance Tree と、階層的なトップダウンナビゲーションを可能にする Clustering Abstraction Tree。
• Offline のマルチモーダル正規化と文脈保持セグメンテーションを用いて、エッジ帰属と重みを持つ事前・導出手法を抽出する。
• ベクトル埋め込みと余弦類似度を用いて手法を重複排除・正準化し、監査可能な provenance トレースを維持する。
• 抽象化ツリー上でオンラインのファネル検索を実行し、葉の手法へ降下するために減衰する予算を適用し、祖先の provenance バックトラックを合わせて合成の文脈を形成する。
• 戦略エージェントは induction、deduction、analogy などの合成演算子のライブラリから選択して候補手法ノードを生成し、説明、独創性、適用性、検証計画を提供する。
• スコアリングと検証ループ（人間が解釈できるルーブリックと形式領域での実行検証）により低品質候補を剪定し、検証済みノードをリポジトリへ書き戻す。
• オプションとして、安全性制約を含む非監督の進化と provenance ログを伴う。

Figure 1: The complete algorithm process

実験結果

リサーチクエスチョン

• RQ1 Methods-as-nodes をデュアルツリー構造でインデックス化することは、RAG ベースのイノベーションタスクにおける explainability と controllability にどのような影響を与えるか？
• RQ2 戦略駆動の合成と provenance バックトラッキングが、ドメインを横断する高品質で検証可能な導出の達成にどのような影響を与えるか？
• RQ3 剪定と実行可能な検証は、手法リポジトリの信頼性と継続的成長にどのような影響を与えるか？
• RQ4 多模態入力の下で提案されたデュアルツリー Agent-RAG の効率性と拡張性の特徴は何か？

主な発見

• Agent-RAG は、6つのドメインと複数のバックボーンに渡って素朴なベースラインより一貫した改善をもたらす。
• 最大の利得は導出重視のドメイン（例：数学）で現れる。
• provenance バックトラックと剪定の補完的役割が性能に寄与することをアブレーションで示す。
• タイムリネス実験は、中程度の予算下でほぼ最適な品質に近い、費用対品質の有利なトレードオフを示す。
• バックボーン LLM の品質が絶対性能を大きく左右し、Agent-RAG は全 tested backbones でドメイン平均スコアを改善する。

Figure 2: A schematic diagram of Clustering Abstraction Tree and Method Provenance Tree