論文の概要: SciDER: Scientific Data-centric End-to-end Researcher

• arxiv url: http://arxiv.org/abs/2603.01421v1
• Date: Mon, 02 Mar 2026 03:53:20 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-03 19:50:56.671842
• Title: SciDER: Scientific Data-centric End-to-end Researcher
• Title（参考訳）: SciDER:科学データ中心のエンドツーエンド研究者
• Authors: Ke Lin, Yilin Lu, Shreyas Bhat, Xuehang Guo, Junier Oliva, Qingyun Wang,
• Abstract要約: SciDERは研究ライフサイクルを自動化するデータ中心のエンドツーエンドシステムである。 従来のフレームワークとは異なり、当社の特殊エージェントは生の科学データを解析し分析します。 また、PyPIパッケージを軽量なWebインターフェースで提供し、自律的でデータ駆動型研究を加速します。
• 参考スコア（独自算出の注目度）: 9.796056249900785
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Automated scientific discovery with large language models is transforming the research lifecycle from ideation to experimentation, yet existing agents struggle to autonomously process raw data collected from scientific experiments. We introduce SciDER, a data-centric end-to-end system that automates the research lifecycle. Unlike traditional frameworks, our specialized agents collaboratively parse and analyze raw scientific data, generate hypotheses and experimental designs grounded in specific data characteristics, and write and execute corresponding code. Evaluation on three benchmarks shows SciDER excels in specialized data-driven scientific discovery and outperforms general-purpose agents and state-of-the-art models through its self-evolving memory and critic-led feedback loop. Distributed as a modular Python package, we also provide easy-to-use PyPI packages with a lightweight web interface to accelerate autonomous, data-driven research and aim to be accessible to all researchers and developers.
• Abstract（参考訳）: 大きな言語モデルによる科学的発見の自動化は、研究のライフサイクルをアイデアから実験へと変えつつあるが、既存のエージェントは科学実験から収集した生データを自律的に処理するのに苦労している。 研究ライフサイクルを自動化するデータ中心のエンドツーエンドシステムであるSciDERを紹介する。 従来のフレームワークとは異なり、我々の専門エージェントは、生の科学的データを共同で解析し分析し、特定のデータ特性に基づく仮説や実験的な設計を生成し、対応するコードを書き、実行します。 3つのベンチマークで評価すると、SciDERはデータ駆動の科学的発見に優れており、自己進化記憶と批判によるフィードバックループを通じて汎用エージェントや最先端モデルを上回っている。 モジュール型のPythonパッケージとして配布されたPyPIパッケージは、軽量なWebインターフェースで、自律的でデータ駆動型の研究を加速し、すべての研究者や開発者にアクセスできるようにすることを目的としています。

関連論文リスト

• WildSci: Advancing Scientific Reasoning from In-the-Wild Literature [50.16160754134139]
  我々は、ピアレビューされた文献から自動的に合成されるドメイン固有の科学質問の新しいデータセットWildSciを紹介する。 複雑な科学的推論タスクを複数選択形式でフレーミングすることにより、明確に定義された報酬信号によるスケーラブルなトレーニングを可能にする。 一連の科学的ベンチマークの実験は、我々のデータセットとアプローチの有効性を実証している。
  論文  参考訳（メタデータ） (2026-01-09T06:35:23Z)
• ScienceDB AI: An LLM-Driven Agentic Recommender System for Large-Scale Scientific Data Sharing Services [36.35068691076956]
  我々は、Science Data Bank(ScienceDB)上で開発された新しいエージェントレコメンデーションシステムScienceDB AIを紹介する。 ScienceDB AIは自然言語の会話と深い推論を利用して、研究者の科学的意図に沿ったデータセットを正確に推奨する。 Trustworthy RAGはCSTR(Cittable Task Record)識別子を通じて、信頼性の高い参照を提供し、推奨と信頼性を高める。
  論文  参考訳（メタデータ） (2026-01-03T08:42:53Z)
• Scaling Generalist Data-Analytic Agents [95.05161133349242]
  DataMindは、汎用データ分析エージェントを構築するために設計されたスケーラブルなデータ合成およびエージェントトレーニングレシピである。 DataMindは、オープンソースのデータ分析エージェントを構築する上で重要な3つの課題に取り組む。
  論文  参考訳（メタデータ） (2025-09-29T17:23:08Z)
• A Survey of Scientific Large Language Models: From Data Foundations to Agent Frontiers [251.23085679210206]
  科学大規模言語モデル(Sci-LLMs)は、科学研究において、知識の表現、統合、適用の方法を変えつつある。 この調査は、モデルとその基盤となるデータ基板の共進化として、Sci-LLMの開発を再考する。 我々は、科学的データの統一された分類法と、科学的知識の階層的なモデルを定式化する。
  論文  参考訳（メタデータ） (2025-08-28T18:30:52Z)
• SciER: An Entity and Relation Extraction Dataset for Datasets, Methods, and Tasks in Scientific Documents [49.54155332262579]
  我々は,科学論文のデータセット,メソッド,タスクに関連するエンティティに対して,新たなエンティティと関係抽出データセットをリリースする。 我々のデータセットには、24k以上のエンティティと12kの関係を持つ106の注釈付きフルテキストの科学出版物が含まれています。
  論文  参考訳（メタデータ） (2024-10-28T15:56:49Z)
• MMSci: A Dataset for Graduate-Level Multi-Discipline Multimodal Scientific Understanding [59.41495657570397]
  本稿では,72の科学分野をカバーするNature Communicationsの記事からまとめられた包括的データセットについて述べる。 2つのベンチマークタスク(図のキャプションと複数選択)で19のプロプライエタリモデルとオープンソースモデルを評価し,人手による注釈を行った。 タスク固有データを用いた細調整Qwen2-VL-7Bは、GPT-4oや人間の専門家でさえも、マルチチョイス評価において優れた性能を示した。
  論文  参考訳（メタデータ） (2024-07-06T00:40:53Z)
• DiscoveryBench: Towards Data-Driven Discovery with Large Language Models [50.36636396660163]
  我々は、データ駆動探索の多段階プロセスを形式化する最初の包括的なベンチマークであるDiscoveryBenchを紹介する。 我々のベンチマークには、社会学や工学などの6つの分野にまたがる264のタスクが含まれている。 私たちのベンチマークでは、自律的なデータ駆動型発見の課題を説明し、コミュニティが前進するための貴重なリソースとして役立ちます。
  論文  参考訳（メタデータ） (2024-07-01T18:58:22Z)
• SciRIFF: A Resource to Enhance Language Model Instruction-Following over Scientific Literature [97.31347312130119]
  SciRIFF(Scientific Resource for Instruction-Following and Finetuning)は、トレーニングと評価のための137K命令フォローインスタンスのデータセットで、54のタスクをカバーする。 これらのタスクは、情報抽出、要約、質問応答、クレーム検証、分類の5つの中核的な科学文献理解能力にまたがる。 SciRIFFは、さまざまな科学分野にわたる研究文献から情報を抽出し、合成するための、完全に専門家によって書かれた高品質な命令追跡データセットである。
  論文  参考訳（メタデータ） (2024-06-10T21:22:08Z)
• Autonomous LLM-driven research from data to human-verifiable research papers [0.0]
  完全なステップワイズプロセスを通じてインタラクションをガイドする自動化プラットフォームを構築しています。 注釈付きデータのみを提供するモードでは、データペーパーは仮説を立て、計画を立て、分析コードを書き、解釈し、結果を生成し、解釈した。 我々は、トレーサビリティ、透明性、妥当性を高めながら、AIによる科学的発見の加速の可能性を示す。
  論文  参考訳（メタデータ） (2024-04-24T23:15:49Z)
• Toward a Team of AI-made Scientists for Scientific Discovery from Gene Expression Data [21.766339368749872]
  我々は、科学的な発見パイプラインを合理化するために設計された新しいフレームワーク、AIマニュフェストチーム(TAIS)を紹介する。 TAISは、プロジェクトマネージャ、データエンジニア、ドメインエキスパートを含むシミュレートされた役割で構成され、それぞれがLLM(Large Language Model)によって表現される。 これらの役割は、典型的にはデータ科学者が行うタスクを再現するために協力し、疾患予測遺伝子を特定することに焦点を当てている。
  論文  参考訳（メタデータ） (2024-02-15T06:30:12Z)
• A user-centered approach to designing an experimental laboratory data platform [0.0]
  実験的なデータプラットフォームにおいて、設計と機能の本質的な要素が何を求めているのかを理解するために、ユーザ中心のアプローチを採用しています。 リッチで複雑な実験データセットをコンテキスト化できる能力を持つことが、ユーザの主な要件であることに気付きました。
  論文  参考訳（メタデータ） (2020-07-28T19:26:28Z)

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。