フェイクニュースの急速な拡散は情報エコシステムに対する脅威を増大させている。特に、生成エンジン最適化（GEO）ポイズニングの下でAI生成の誤情報が敵対的に作成されると、検索システムがそのようなコンテンツを系統的に表面化させ、大規模言語モデル（LLM）の推論を汚染する。この問題に対処するため、Zhaoqi Wangら7名の著者は、自動ファクトチェックのための階層的証拠推論フレームワーク「Tree of Evidence（ToE）」を提案した。本論文は2026年6月26日にarXivに投稿され、人工知能（cs.AI）および暗号とセキュリティ（cs.CR）の分野に属する。
ToEの中心的なアイデアは、検証対象の各クレームを動的に拡張する論証木としてモデル化することである。従来のフラットなファクトチェック手法とは異なり、ToEは反復的な分解・検索・検証プロセスを通じて、説明可能な証拠連鎖を構築する。具体的には、このフレームワークは3つの主要コンポーネントを統合する。すなわち、複数のソースから関連証拠を動的に収集する強化学習駆動のマルチソース検索エージェント、検索された証拠の品質と関連性を判断する証拠評価エージェント、そして分散した証拠断片を構造化された論証木に組織化して階層的推論を可能にする論証木集約アルゴリズムである。
検索プロセスの有効性を確保するため、著者らは検索プロセスの理論的解析も行い、学習された方針が情報理論的最適方針の近傍に収束することを保証する形式的誤差限界を導出した。この理論的結果はToEの信頼性を保証し、強化学習駆動の検索方針が複雑な情報環境で堅牢性を維持できる理由を説明する。
実験面では、研究チームは複数のデータセットと基盤LLMでToEの性能を評価した。その結果、競合ベースラインと比較してToEは4〜24パーセントポイントの改善を達成し、特に敵対的に汚染された入力でその利得が顕著であった。これは、GEO汚染などの敵対的攻撃に対するToEの有効性を検証するものである。例えば、検索システムが悪意のあるコンテンツで汚染された場合でも、ToEはマルチソースのクロス検証と証拠評価メカニズムを通じて信頼できない情報を特定・排除し、ファクトチェックの精度を維持できる。
結論として、ToEは階層的で説明可能な推論フレームワークを通じて、自動ファクトチェックに新規かつ効果的なソリューションを提供する。強化学習検索、証拠評価、木集約を組み合わせた手法は、検証性能を向上させるだけでなく、プロセスの説明可能性を高め、AI生成誤情報やGEO汚染に対する防御に重要な意義を持つ。今後の研究では、このフレームワークのより広範なシナリオへの適応性と効率の最適化が探求される可能性がある。