SCOUT-RAG：分散化とアクセス制限のある分布的分野での効率的な統合追跡

Graph-RAGは、構造化された知識を使用してLLMの推論を改善しましたが、一般的なデザインでは中央的な知見グラフに依存しています。分散とアクセス制約のある設定（例：病院や multinational オrganizations）において、再取得はrelevant domain を選択し、適切な軌道深さを選択しないと全格の視覚あるいは完全探査検索が不可能になります。これを解決するために、SCOUT-RAGという分散アグェンタ型グラフ・ラジ・ギャップフレームワークを導入しました。これはincremental utility goalsを指すプログresoなクロスドメイン再取得を Guidanceして事前に予測可能なトラベイング深さでコオルートするためです。SCOUT-RAGは四つの協力的アジェンタを持っています: (i) relevant domainを見分ける、(ii)追加のdomainを開拓するタイミングを決め、(iii)重複ないグラフ探査のトラベイング深さを選択し(IV)品質優れた回答を合成します。このフレームワークは、retrieval regret（有用な domain の情報が取り込まれ忘れたこと）を最小限に抑えるべきで、遅延とAPIコスト制御することが設計されています。多ドメインの知識設定において、SCOUT-RAGは中央的なベースラインとしてDRIFTと全てのdomainの探索に対して同等以上のパフォーマンスを達成します。また多ドメインの呼び出しを著しく減らすことができるのです。

arXiv:2602.08400v1 Announce Type: new Abstract: Graph-RAG improves LLM reasoning using structured knowledge, yet conventional designs rely on a centralized knowledge graph. In distributed and access-restricted settings (e.g., hospitals or multinational organizations), retrieval must select relevant domains and appropriate traversal depth without global graph visibility or exhaustive querying. To address this challenge, we introduce \textbf{SCOUT-RAG} (\textit{\underline{S}calable and \underline{CO}st-efficient \underline{U}nifying \underline{T}raversal}), a distributed agentic Graph-RAG framework that performs progressive cross-domain retrieval guided by incremental utility goals. SCOUT-RAG employs four cooperative agents that: (i) estimate domain relevance, (ii) decide when to expand retrieval to additional domains, (iii) adapt traversal depth to avoid unnecessary graph exploration, and (iv) synthesize the high-quality answers. The framework is designed to minimize retrieval regret, defined as missing useful domain information, while controlling latency and API cost. Across multi-domain knowledge settings, SCOUT-RAG achieves performance comparable to centralized baselines, including DRIFT and exhaustive domain traversal, while substantially reducing cross-domain calls, total tokens processed, and latency.