論文の概要: AI-Supervisor: Autonomous AI Research Supervision via a Persistent Research World Model

• arxiv url: http://arxiv.org/abs/2603.24402v2
• Date: Thu, 26 Mar 2026 01:57:21 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-27 13:32:30.062107
• Title: AI-Supervisor: Autonomous AI Research Supervision via a Persistent Research World Model
• Title（参考訳）: AIスーパーバイザ:永続的な研究世界モデルによる自律型AI研究スーパービジョン
• Authors: Yunbo Long,
• Abstract要約: 既存の自動研究システムは、ステートレスでリニアなパイプラインとして動作する。 マルチエージェントオーケストレーションフレームワークである textbfAI-Supervisor を提案する。 エージェントは、人間の関心によって駆動されるエンドツーエンドのAI研究の監督を提供する。
• 参考スコア（独自算出の注目度）: 1.14219428942199
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Existing automated research systems operate as stateless, linear pipelines -- generating outputs without maintaining any persistent understanding of the research landscape they navigate. They process papers sequentially, propose ideas without structured gap analysis, and lack mechanisms for agents to verify, challenge, or refine each other's findings. We present \textbf{AI-Supervisor}, a multi-agent orchestration framework where specialized agents provide end-to-end AI research supervision driven by human interests -- from literature review through gap discovery, method development, evaluation, and paper writing -- through autonomous exploration and self-correcting updates of research knowledge. Unlike sequential pipelines, AI-Supervisor maintains a continuously evolving \emph{Research World Model}, implemented as a Knowledge Graph, that captures methods, benchmarks, known limitations, and unexplored gaps, serving as shared memory across all agents and enabling agents to explore and build upon a structured understanding of the research landscape. The framework introduces three architectural contributions: (1) \emph{structured gap discovery} that decomposes methods into core modules, validates their performance across benchmarks, and maps the specific gaps each module creates; (2) \emph{self-correcting discovery loops} that probe why modules succeed on certain problems and fail on others, whether benchmarks carry hidden biases, and whether evaluation protocols remain adequate for emerging challenges; and (3) \emph{self-improving development loops} governed by cross-domain mechanism search that iteratively targets failing modules by finding solutions from other scientific fields. All agents operate under a \emph{consensus mechanism} where independent findings are corroborated before being committed to the Research World Model.
• Abstract（参考訳）: 既存の自動研究システムは、ステートレスで線形なパイプラインとして運用されている。 論文を逐次処理し、構造化されたギャップ分析のないアイデアを提案し、エージェントが互いの発見を検証、挑戦、洗練するためのメカニズムを欠いている。 専門エージェントは、文献レビューからギャップ発見、メソッド開発、評価、ペーパーライティングに至るまで、研究知識の自律的な探索と自己修正を通じて、人的関心によって駆動されるエンドツーエンドのAI研究を監督する。 シーケンシャルパイプラインとは異なり、AI-スーパーバイザは、Knowledge Graphとして実装され、メソッド、ベンチマーク、既知の制限、探索されていないギャップをキャプチャし、すべてのエージェント間で共有メモリとして機能し、研究ランドスケープの構造化された理解に基づいてエージェントを探索し構築する、継続的に進化する‘emph{Research World Model}’を維持している。 1) メソッドをコアモジュールに分解し、ベンチマークにまたがってパフォーマンスを検証し、各モジュールが生成する特定のギャップをマップする \emph{self-correcting discovery loops} 、(2) モジュールがなぜ特定の問題に成功して他で失敗するのかを調査する \emph{self-correcting discovery loops {\displaystyle \emph{self-prerecting discovery loops} 、 ベンチマークが隠れバイアスを持ち、評価プロトコルが新興問題に適切かどうか、(3) クロスドメインメカニズムサーチによって管理される \emph{self-improving Development loops {\displaystyle \emph{self-improving Development loops} の3つのアーキテクチャ的コントリビューションを紹介した。 全てのエージェントは 'emph{consensus mechanism} の下で動作し、独立した発見は、リサーチワールドモデルにコミットする前に協調される。

関連論文リスト

• Reasoning Provenance for Autonomous AI Agents: Structured Behavioral Analytics Beyond State Checkpoints and Execution Traces [0.0]
  Agent Execution Record (AER) は構造化された推論プリミティブであり、すべてのステップで第一級クエリ可能なフィールドとしてインテント、観察、推論をキャプチャする。 AERが集団レベルの行動分析を可能にする方法を示す: 推論パターンマイニング、信頼度校正、クロスエージェント比較、モックリプレイによる反事実回帰テスト。
  論文  参考訳（メタデータ） (2026-03-23T08:27:54Z)
• Pitfalls in Evaluating Interpretability Agents [91.49742416116635]
  我々は,実験を反復的に設計し,仮説を洗練するエージェントシステムを構築した。 我々の研究は、複雑な自動解釈可能性システムを評価する上での根本的な課題を実証している。
  論文  参考訳（メタデータ） (2026-03-20T16:27:17Z)
• Agentic AI in Remote Sensing: Foundations, Taxonomy, and Emerging Systems [9.388162021920206]
  この調査は、リモートセンシングにおけるエージェントAIの総合的なレビューである。 単一エージェントのコピロとマルチエージェントのシステムを区別した統合分類を導入する。 評価を画素レベルの精度から軌跡認識推論の正確性に移行する新しいベンチマークをレビューする。
  論文  参考訳（メタデータ） (2026-01-05T08:34:17Z)
• Unifying Tree Search Algorithm and Reward Design for LLM Reasoning: A Survey [92.71325249013535]
  線形木探索はLarge Language Model (LLM) 研究の基盤となっている。 本稿では,検索アルゴリズムを3つのコアコンポーネントに分解する統合フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-10-11T03:29:18Z)
• Demystifying deep search: a holistic evaluation with hint-free multi-hop questions and factorised metrics [89.1999907891494]
  We present WebDetective, a benchmark of hint-free multi-hop questions with a control Wikipedia sandbox。 25の最先端モデルに対する我々の評価は、すべてのアーキテクチャにまたがる体系的な弱点を明らかにしている。 私たちはエージェントワークフローであるEvidenceLoopを開発し、ベンチマークが特定する課題を明示的にターゲットしています。
  論文  参考訳（メタデータ） (2025-10-01T07:59:03Z)
• Deep Research Agents: A Systematic Examination And Roadmap [109.53237992384872]
  Deep Research (DR) エージェントは複雑な多ターン情報研究タスクに取り組むように設計されている。 本稿では,DRエージェントを構成する基礎技術とアーキテクチャコンポーネントの詳細な分析を行う。
  論文  参考訳（メタデータ） (2025-06-22T16:52:48Z)
• System for systematic literature review using multiple AI agents: Concept and an empirical evaluation [3.453564255183234]
  体系的文献レビュー(SLR)は証拠に基づく研究の基礎である。 本稿では,SLRの完全自動化を目的とした新しいマルチAIエージェントシステムを提案する。 包括性と精度を維持しつつ,従来のSLRに必要な時間と労力を大幅に削減できることを示す。
  論文  参考訳（メタデータ） (2024-03-13T10:27:52Z)

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。