論文の概要: CausalEvolve: Towards Open-Ended Discovery with Causal Scratchpad

• arxiv url: http://arxiv.org/abs/2603.14575v1
• Date: Sun, 15 Mar 2026 19:53:31 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-17 16:19:35.892337
• Title: CausalEvolve: Towards Open-Ended Discovery with Causal Scratchpad
• Title（参考訳）: CausalEvolve: Causal Scratchpadによるオープンエンディングディスカバリを目指す
• Authors: Yongqiang Chen, Chenxi Liu, Zhenhao Chen, Tongliang Liu, Bo Han, Kun Zhang,
• Abstract要約: 本研究では,Large Language Models (LLMs) を利用した因果スクラッチパッドを備えたCausalEvolveを開発した。 CaulEvolveはまず、目標目標を改善するための補完的なインスピレーションを提供する結果レベルの要因を特定します。 進化の過程では、CausalEvolveは進化中の驚きのパターンを検査し、新たな要因を仮説化することで、新たな方向性を提供する。
• 参考スコア（独自算出の注目度）: 72.197582948888
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Evolve-based agent such as AlphaEvolve is one of the notable successes in using Large Language Models (LLMs) to build AI Scientists. These agents tackle open-ended scientific problems by iteratively improving and evolving programs, leveraging the prior knowledge and reasoning capabilities of LLMs. Despite the success, existing evolve-based agents lack targeted guidance for evolution and effective mechanisms for organizing and utilizing knowledge acquired from past evolutionary experience. Consequently, they suffer from decreasing evolution efficiency and exhibit oscillatory behavior when approaching known performance boundaries. To mitigate the gap, we develop CausalEvolve, equipped with a causal scratchpad that leverages LLMs to identify and reason about guiding factors for evolution. At the beginning, CausalEvolve first identifies outcome-level factors that offer complementary inspirations in improving the target objective. During the evolution, CausalEvolve also inspects surprise patterns during the evolution and abductive reasoning to hypothesize new factors, which in turn offer novel directions. Through comprehensive experiments, we show that CausalEvolve effectively improves the evolutionary efficiency and discovers better solutions in 4 challenging open-ended scientific tasks.
• Abstract（参考訳）: AlphaEvolveのようなEvolveベースのエージェントは、Large Language Models(LLM)を使用してAIサイエンティストを構築する上で、注目すべき成功の1つだ。 これらのエージェントは、LLMの以前の知識と推論能力を利用して、プログラムを反復的に改善し、進化させることによって、オープンな科学的問題に取り組む。 成功にもかかわらず、既存の進化ベースのエージェントは、過去の進化経験から得られた知識を組織化し活用するための進化と効果的なメカニズムを目標とするガイダンスを欠いている。 その結果、既知の性能境界に近づくと、進化効率を低下させ、振動挙動を示す。 このギャップを軽減するために,LLMを利用した因果スクラッチパッドを備えたCausalEvolveを開発した。 最初にCausalEvolveは、目標目標を改善するための補完的なインスピレーションを提供する結果レベルの要因を特定します。 進化の過程では、CausalEvolveは進化中の驚きのパターンを検査し、新たな要因を仮説化することで、新たな方向性を提供する。 包括的実験により、CausalEvolveは進化効率を効果的に改善し、4つの挑戦的なオープンエンドな科学課題においてより良い解を見出すことを示した。

関連論文リスト

• Your Agent May Misevolve: Emergent Risks in Self-evolving LLM Agents [58.69865074060139]
  エージェントの自己進化が意図しない方法で逸脱し、望ましくない結果や有害な結果に至る場合について検討する。 我々の経験から、誤進化は広範囲にわたるリスクであり、最上位のLSM上に構築されたエージェントにも影響を及ぼすことが判明した。 我々は、より安全で信頼性の高い自己進化型エージェントを構築するためのさらなる研究を促すための潜在的な緩和戦略について議論する。
  論文  参考訳（メタデータ） (2025-09-30T14:55:55Z)
• Towards Understanding How Knowledge Evolves in Large Vision-Language Models [55.82918299608732]
  我々はマルチモーダル知識がどのように進化し、最終的にLVLM(Large Vision-Language Models)において自然言語を誘導するかを考察する。 知識進化における2つの重要なノードを同定する: 臨界層と突然変異層、進化過程を3段階に分割する: 急速な進化、安定化、突然変異。 我々の研究は、LVLMにおける知識進化の軌跡を初めて明らかにし、その基盤となるメカニズムを理解するための新たな視点を提供する。
  論文  参考訳（メタデータ） (2025-03-31T17:35:37Z)
• Learning Evolution via Optimization Knowledge Adaptation [50.280704114978384]
  進化的アルゴリズム(EA)は、複雑なタスクの解を見つけるために、進化的演算子を通して集団を維持する。 最適化知識適応進化モデル(okaEM)を導入し,最適化能力を向上する。 okaEMは、様々な知識伝達設定におけるパフォーマンス向上のために、事前知識を活用する。 自然選択と遺伝子組換えの原理をエミュレートすることができる。
  論文  参考訳（メタデータ） (2025-01-04T05:35:21Z)
• EvoWiki: Evaluating LLMs on Evolving Knowledge [72.92365627254063]
  EvoWiki(エボウィキ)は、知識の進化を反映した進化的データセットである。 我々の結果は、現在のモデルは進化した知識に苦しむことが多く、時代遅れや誤った反応を頻繁に与えていることを示している。 EvoWikiは、大規模言語モデルの知識進化能力に関する将来の研究を進めるための堅牢なベンチマークを提供する。
  論文  参考訳（メタデータ） (2024-12-18T08:04:57Z)
• Evolutionary Reinforcement Learning: A Systematic Review and Future Directions [18.631418642768132]
  進化強化学習(EvoRL)は、複雑な問題解決における強化学習と進化アルゴリズム(EA)の限界に対する解決策である。 EvoRLはEAと強化学習を統合し、知的エージェントを訓練するための有望な道を提供する。 この体系的なレビューは、EvoRLの現状に関する洞察を提供し、人工知能の進化を続ける風景において、その能力を向上させるためのガイドを提供する。
  論文  参考訳（メタデータ） (2024-02-20T02:07:57Z)
• Learning and evolution: factors influencing an effective combination [0.0]
  進化と学習の相互関係は、人工知能と神経進化のコミュニティの間で議論の的になっている。 著者らは、学習と進化を組み合わせることで、進化だけで発見されたものよりも優れた解を見つけることができるかどうかを調査する。
  論文  参考訳（メタデータ） (2023-06-20T09:03:52Z)
• The Role of Evolution in Machine Intelligence [8.228029233058411]
  マシンインテリジェンスの発展には、進化という代替手段が重要だ、と私は主張する。 私の第一次提案は、進化的アプローチの幅広い範囲で研究を多様化することです。
  論文  参考訳（メタデータ） (2021-06-21T14:46:18Z)
• Incremental Evolution and Development of Deep Artificial Neural Networks [1.6631602844999722]
  我々は、Fast Deep Evolutionary Network Structured Representation (Fast-DENSER)をインクリメンタル開発に拡張する。 その結果、インクリメンタルな開発によって生成されたモデルの平均性能は、非インクリメンタルな平均性能よりも統計的に優れていることがわかった。
  論文  参考訳（メタデータ） (2020-04-01T09:23:15Z)

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。