論文の概要: Bayes-Entropy Collaborative Driven Agents for Research Hypotheses Generation and Optimization

• arxiv url: http://arxiv.org/abs/2508.01746v1
• Date: Sun, 03 Aug 2025 13:05:32 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-05 18:25:22.045311
• Title: Bayes-Entropy Collaborative Driven Agents for Research Hypotheses Generation and Optimization
• Title（参考訳）: ベイズエントロピーによる研究仮説生成と最適化のための協調型エージェント
• Authors: Shiyang Duan, Yuan Tian, Qi Bing, Xiaowei Shao,
• Abstract要約: 本稿では,HypoAgentsと呼ばれるマルチエージェント協調フレームワークを提案する。 多様性のサンプリングを通じて仮説を生成し、事前の信念を確立する。 その後、外部文献の証拠収集にRAG(erieval-augmented generation)を採用している。 情報エントロピー$H = - sum p_ilog p_i$ を用いて高不確かさ仮説を特定し、それらを積極的に洗練する。
• 参考スコア（独自算出の注目度）: 4.469102316542763
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The exponential growth of scientific knowledge has made the automated generation of scientific hypotheses that combine novelty, feasibility, and research value a core challenge. Existing methods based on large language models fail to systematically model the inherent in hypotheses or incorporate the closed-loop feedback mechanisms crucial for refinement. This paper proposes a multi-agent collaborative framework called HypoAgents, which for the first time integrates Bayesian reasoning with an information entropy-driven search mechanism across three stages-hypotheses generation, evidence validation, and hypotheses Refinement-to construct an iterative closed-loop simulating scientists' cognitive processes. Specifically, the framework first generates an initial set of hypotheses through diversity sampling and establishes prior beliefs based on a composite novelty-relevance-feasibility (N-R-F) score. It then employs etrieval-augmented generation (RAG) to gather external literature evidence, updating the posterior probabilities of hypotheses using Bayes' theorem. Finally, it identifies high-uncertainty hypotheses using information entropy $H = - \sum {{p_i}\log {p_i}}$ and actively refines them, guiding the iterative optimization of the hypothesis set toward higher quality and confidence. Experimental results on the ICLR 2025 conference real-world research question dataset (100 research questions) show that after 12 optimization iterations, the average ELO score of generated hypotheses improves by 116.3, surpassing the benchmark of real paper abstracts by 17.8, while the framework's overall uncertainty, as measured by Shannon entropy, decreases significantly by 0.92. This study presents an interpretable probabilistic reasoning framework for automated scientific discovery, substantially improving the quality and reliability of machine-generated research hypotheses.
• Abstract（参考訳）: 科学的知識の指数関数的な成長は、新規性、実現可能性、研究を結合した科学仮説の自動生成を中核的な課題としてきた。 既存の大規模言語モデルに基づく手法では、仮説の固有性を体系的にモデル化したり、改良に不可欠な閉ループフィードバック機構を組み込むことができない。 本稿では,ハイポアジェンツ(HypoAgents)と呼ばれるマルチエージェント協調フレームワークを提案する。このフレームワークは,ベイジアン推論と情報エントロピー駆動型探索機構を3段階の仮説生成,エビデンス検証,仮説修正により,科学者の認知過程を反復的にシミュレートしたクローズドループ構築を行う。 具体的には、まず、多様性サンプリングを通じて最初の仮説のセットを生成し、複合ノベルティ関連実現可能性(N-R-F)スコアに基づいて事前の信念を確立する。 その後、固有拡大世代(RAG)を用いて外部文献の証拠を収集し、ベイズの定理を用いて仮説の後部確率を更新する。 最後に、情報エントロピー$H = - \sum {{p_i}\log {p_i}}$ を用いて高い不確実性仮説を特定し、それらを積極的に洗練し、仮説の反復最適化をより高い品質と信頼性に向けて導く。 ICLR 2025 conference real-world research question dataset (100 research questions) の実験結果によると、12回の最適化を繰り返した後、生成された仮説の平均ELOスコアは116.3向上し、実際の論文のベンチマークを17.8上回った。 本研究では,自動科学的発見のための解釈可能な確率論的推論フレームワークを提案し,機械による研究仮説の品質と信頼性を著しく向上させた。

関連論文リスト

• HypoChainer: A Collaborative System Combining LLMs and Knowledge Graphs for Hypothesis-Driven Scientific Discovery [4.020865072189471]
  人間の専門知識、知識グラフ、推論を統合した可視化フレームワークであるPhyChainerを提案する。 hypoChainerは3つの段階で機能する: 第一、探索、文脈化 -- 専門家は検索強化LLM(RAG)と次元縮小を使用する。 第2に、仮説連鎖の形成 -- 専門家は予測と意味論的に関連付けられたエンティティに関するKG関係を反復的に検討する。 第三に、検証の優先順位付け -- 洗練された仮説は、KGが支持する証拠に基づいてフィルタリングされ、実験のための優先度の高い候補を特定する。
  論文  参考訳（メタデータ） (2025-07-23T05:02:54Z)
• GUIDE: Towards Scalable Advising for Research Ideas [9.819083407389524]
  提案する仮説と実験設計を洗練するための,高品質で適切なフィードバックを提供するシステムを開発した。 提案方式は, ICLR 2025テストセットで90%を超える受入率を達成する。
  論文  参考訳（メタデータ） (2025-07-09T17:59:21Z)
• MOOSE-Chem2: Exploring LLM Limits in Fine-Grained Scientific Hypothesis Discovery via Hierarchical Search [93.64235254640967]
  大規模言語モデル (LLM) は科学的仮説生成の自動化において有望であることを示している。 詳細な科学的仮説発見の新たな課題を定めている。 本稿では,仮説に詳細を漸進的に提案・統合する階層探索手法を提案する。
  論文  参考訳（メタデータ） (2025-05-25T16:13:46Z)
• Sparks: Multi-Agent Artificial Intelligence Model Discovers Protein Design Principles [0.0]
  私たちは、発見サイクル全体を実行するマルチモーダルなマルチエージェントAIモデルであるSparksを紹介します。 火花は独自に厳密な科学的調査を行い、これまで知られていなかった科学的原則を特定できる。
  論文  参考訳（メタデータ） (2025-04-26T20:43:28Z)
• Sparks of Science: Hypothesis Generation Using Structured Paper Data [1.250723303641055]
  我々は,最上位のコンピュータサイエンスカンファレンスから抽出された約5500の構造化問題と仮説のペアの最初のデータセットであるHypoGenを紹介する。 我々は,Bit-Flip-SparkとChain-of-Reasoningをモデルとして,フレーミング仮説の生成を条件付き言語モデリングとして示す。 得られた仮説の新規性、実現可能性、および全体的な品質を改善するために、私たちのHypoGenデータセットを微調整することで、その妥当性が向上することを示す。
  論文  参考訳（メタデータ） (2025-04-17T14:29:18Z)
• HypoBench: Towards Systematic and Principled Benchmarking for Hypothesis Generation [24.656083479331645]
  仮説生成手法を複数の側面にわたって評価するための新しいベンチマークである hypoBench を紹介する。 既存の6つの仮説生成手法と組み合わせた4つの最先端LCMの評価を行った。 結果は、現在の仮説生成手法がすべての関連するパターンや意味のあるパターンを完全には明らかにしていないため、改善の余地がまだ大きいことを示している。
  論文  参考訳（メタデータ） (2025-04-15T18:00:00Z)
• Towards an AI co-scientist [48.11351101913404]
  Gemini 2.0上に構築されたマルチエージェントシステムであるAIコサイシストを紹介する。 このAIの共同科学者は、新しい独創的な知識を解明し、明らかに新しい研究仮説を定式化することを目的としている。 システムの設計には、科学的手法にインスパイアされた仮説生成への生成、議論、進化のアプローチが組み込まれている。
  論文  参考訳（メタデータ） (2025-02-26T06:17:13Z)
• Causal Lifting of Neural Representations: Zero-Shot Generalization for Causal Inferences [56.23412698865433]
  予測型因果推論(PPCI)に焦点をあてる PPCIは、未ラベルの事実結果を用いた対象実験における治療効果を推定し、事前訓練されたモデルからゼロショットを取得する。 バニラ実験的リスク最小化によって解決不可能なインスタンスに対するソリューションを提供するため,本手法を合成および実世界の科学的データに対して検証する。
  論文  参考訳（メタデータ） (2025-02-10T10:52:17Z)
• Large Language Models for Automated Open-domain Scientific Hypotheses Discovery [50.40483334131271]
  本研究は,社会科学の学術的仮説発見のための最初のデータセットを提案する。 従来のデータセットとは異なり、新しいデータセットには、(1)オープンドメインデータ(RAW Webコーパス)を観察として使用すること、(2)人間性にさらに新しい仮説を提案することが必要である。 パフォーマンス向上のための3つのフィードバック機構を含む,タスクのためのマルチモジュールフレームワークが開発されている。
  論文  参考訳（メタデータ） (2023-09-06T05:19:41Z)
• Advancing Counterfactual Inference through Nonlinear Quantile Regression [77.28323341329461]
  ニューラルネットワークで実装された効率的かつ効果的な対実的推論のためのフレームワークを提案する。 提案手法は、推定された反事実結果から見つからないデータまでを一般化する能力を高める。 複数のデータセットで実施した実証実験の結果は、我々の理論的な主張に対する説得力のある支持を提供する。
  論文  参考訳（メタデータ） (2023-06-09T08:30:51Z)
• Neural Importance Sampling for Rapid and Reliable Gravitational-Wave Inference [59.040209568168436]
  まず、ニューラルネットワークを用いてベイズ後部への高速な提案を行い、その基礎となる可能性と事前に基づいて重み付けを行う。 本発明は,(1)ネットワーク不正確性のない修正後部,(2)提案案の評価と故障事例の同定のための性能診断(サンプル効率),(3)ベイズ証拠の偏りのない推定を提供する。 LIGOとVirgoで観測された42個のブラックホールをSEOBNRv4PHMとIMRPhenomHMXP波形モデルで解析した。
  論文  参考訳（メタデータ） (2022-10-11T18:00:02Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。