Resumen: La rápida difusión de noticias falsas plantea amenazas crecientes a los ecosistemas de información, especialmente porque la información errónea generada por IA bajo el envenenamiento por optimización de motor generativo (GEO) permite que los sistemas de recuperación muestren sistemáticamente contenido elaborado por adversarios, contaminando el razonamiento de LLM. En este artículo, proponemos el Árbol de la Evidencia (ToE), un marco de razonamiento de evidencia jerárquico para la verificación automatizada de hechos que modela cada afirmación como un árbol de argumentos que se expande dinámicamente. ToE integra un agente de recuperación de múltiples fuentes impulsado por el aprendizaje por refuerzo, un agente de evaluación de evidencia y un algoritmo de agregación de árbol de argumentos para descomponer, recuperar y verificar afirmaciones de manera iterativa a través de una cadena de evidencia explicable. Además, proporcionamos un análisis teórico del proceso de recuperación, derivando un límite de error formal que garantiza que la política aprendida converja a una vecindad de la política teóricamente óptima en materia de información. Los experimentos en múltiples conjuntos de datos y LLM centrales demuestran que ToE logra mejoras que van de 4 a 24 puntos porcentuales sobre las líneas de base competitivas, con ganancias particularmente pronunciadas en entradas envenenadas por adversarios.
Publicado originalmente en export.arxiv.org el 28 de junio de 2026.
Ver fuente original
