論文の概要: Constraint-Aware Corrective Memory for Language-Based Drug Discovery Agents

• arxiv url: http://arxiv.org/abs/2604.09308v1
• Date: Fri, 10 Apr 2026 13:16:44 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-13 17:57:53.877087
• Title: Constraint-Aware Corrective Memory for Language-Based Drug Discovery Agents
• Title（参考訳）: 言語に基づく薬物発見剤の拘束型補正記憶
• Authors: Maochen Sun, Youzhi Zhang, Gaofeng Meng,
• Abstract要約: 本稿では,正確な設定レベル診断と簡潔なメモリ書き込み機構に基づいて構築された言語ベースの薬物発見フレームワークであるCACMを提案する。 実験の結果,CACMは最先端のベースラインよりも目標レベルの成功率を36.4%向上させることがわかった。
• 参考スコア（独自算出の注目度）: 17.040277223975195
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Large language models are making autonomous drug discovery agents increasingly feasible, but reliable success in this setting is not determined by any single action or molecule. It is determined by whether the final returned set jointly satisfies protocol-level requirements such as set size, diversity, binding quality, and developability. This creates a fundamental control problem: the agent plans step by step, while task validity is decided at the level of the whole candidate set. Existing language-based drug discovery systems therefore tend to rely on long raw history and under-specified self-reflection, making failure localization imprecise and planner-facing agent states increasingly noisy. We present CACM (Constraint-Aware Corrective Memory), a language-based drug discovery framework built around precise set-level diagnosis and a concise memory write-back mechanism. CACM introduces protocol auditing and a grounded diagnostician, which jointly analyze multimodal evidence spanning task requirements, pocket context, and candidate-set evidence to localize protocol violations, generate actionable remediation hints, and bias the next action toward the most relevant correction. To keep planning context compact, CACM organizes memory into static, dynamic, and corrective channels and compresses them before write-back, thereby preserving persistent task information while exposing only the most decision-relevant failures. Our experimental results show that CACM improves the target-level success rate by 36.4% over the state-of-the-art baseline. The results show that reliable language-based drug discovery benefits not only from more powerful molecular tools, but also from more precise diagnosis and more economical agent states.
• Abstract（参考訳）: 大規模言語モデルでは、自律的な薬物発見エージェントがますます実現可能になっているが、この環境での信頼性の高い成功は、単一の作用や分子によって決定されない。 最終返却セットが、セットサイズ、多様性、バインディング品質、開発性といったプロトコルレベルの要件を満足するかどうかを判断する。 エージェントはステップバイステップを計画し、タスクの妥当性は候補セット全体のレベルで決定される。 したがって、既存の言語に基づく薬物発見システムは、長い生の歴史と未特定の自己反射に依存し、障害の局所化を不正確にし、プランナーが直面するエージェント状態はますます騒々しくなっていく。 本稿では,正確なセットレベル診断と簡潔なメモリ書き込み機構に基づいて構築された言語ベースの薬物発見フレームワークであるCACMについて述べる。 CACMは、プロトコル監査と、タスク要求、ポケットコンテキスト、および候補セットエビデンスにまたがるマルチモーダルエビデンスを共同で分析し、プロトコル違反をローカライズし、実行可能な修復ヒントを生成し、最も関係のある修正に向けて次のアクションをバイアスする地上診断装置を導入している。 計画コンテキストをコンパクトに保つため、CACMはメモリを静的、動的、修正チャネルに整理し、書き込み前に圧縮することにより、最も決定に関係のある障害のみを露呈し、永続的なタスク情報を保存する。 実験の結果,CACMは最先端のベースラインよりも目標レベルの成功率を36.4%向上させることがわかった。 以上の結果から, 信頼性の高い言語に基づく薬物発見は, より強力な分子ツールのみならず, より正確な診断や, より経済的なエージェント状態からも有効であることが示唆された。

関連論文リスト

• Cognitive Friction: A Decision-Theoretic Framework for Bounded Deliberation in Tool-Using Agents [0.0]
  制約のないツール使用エージェントは、どの情報ソースをクエリして実行するかを決めなければなりません。 本稿では,これらの障害モードを認知的摩擦によって形式化する決定論的枠組みであるTCAを提案する。 我々は,TCAを2つの制御された環境において,停止品質,混雑時の行動選択,時間的緊急性の分離を図った。
  論文  参考訳（メタデータ） (2026-03-31T17:30:25Z)
• AI Knows What's Wrong But Cannot Fix It: Helicoid Dynamics in Frontier LLMs Under High-Stakes Decisions [51.56484100374058]
  ヘリコイド力学(Helicoid dynamics)は、その2番目のドメインの特定の障害状態に与えられる名前である。 システムは巧みに働き、エラーに陥り、何がうまくいかなかったかを正確に名付け、さらに高度な技術で同じパターンを再現する。 この先進的な事例シリーズは、7つの主要なシステムにまたがる体制を文書化する。
  論文  参考訳（メタデータ） (2026-03-12T05:25:49Z)
• Guideline-Grounded Evidence Accumulation for High-Stakes Agent Verification [60.18369393468405]
  既存の検証器は通常、ドメイン知識の欠如と限られた校正のために性能が劣る。 GLEANは専門家によって計算されたプロトコルをトラジェクトリインフォームされ、よく校正された正当性信号にコンパイルする。 我々は,MIMIC-IVデータセットから得られた3つの疾患の薬物的臨床診断でGLEANを実証的に検証した。
  論文  参考訳（メタデータ） (2026-03-03T09:36:43Z)
• DoVer: Intervention-Driven Auto Debugging for LLM Multi-Agent Systems [48.971606069204825]
  DoVerは、大規模言語モデル(LLM)ベースのマルチエージェントシステムのための介入駆動デバッグフレームワークである。 ターゲットの介入を通じて、アクティブな検証によって仮説生成を増強する。 DoVerは失敗試験の18～28%を成功させ、最大16%のマイルストーンを達成し、失敗仮説の30～60%を検証または否定する。
  論文  参考訳（メタデータ） (2025-12-07T09:23:48Z)
• CureAgent: A Training-Free Executor-Analyst Framework for Clinical Reasoning [23.353757415071104]
  Executor-Analyst Frameworkは、臨床推論のセマンティックロバスト性からツール実行の構文的精度を分離するモジュラーアーキテクチャである。 提案手法は,手頃なエンドツーエンドのファインタニングを必要とせずに,CURE-Bench上で最先端のパフォーマンスを実現することを目的としている。
  論文  参考訳（メタデータ） (2025-12-05T09:56:58Z)
• Metacognitive Self-Correction for Multi-Agent System via Prototype-Guided Next-Execution Reconstruction [58.51530390018909]
  大規模言語モデルに基づくマルチエージェントシステムは、協調的な問題解決において優れているが、エラーのカスケードには脆弱である。 我々は,MASにリアルタイム,教師なし,ステップレベルの誤り検出と自己補正を付与するメタ認知フレームワークMASCを提案する。
  論文  参考訳（メタデータ） (2025-10-16T05:35:37Z)
• Structured Cognitive Loop for Behavioral Intelligence in Large Language Model Agents [0.0]
  既存のフレームワークは認知、記憶、制御をひとつのプロンプトで混ぜることが多く、一貫性と予測可能性を減らす。 構造化認知ループ (Structured Cognitive Loop, SCL) は、これらの機能を分離する代替アーキテクチャとして提案されている。 SCLの平均タスク成功率は86.3%であり、ベースラインは70.5から76.8%である。
  論文  参考訳（メタデータ） (2025-09-23T17:43:17Z)
• The Epistemic Suite: A Post-Foundational Diagnostic Methodology for Assessing AI Knowledge Claims [0.7233897166339268]
  本稿では,AI出力の生成と受信の状況を理解するための診断手法であるEpistemic Suiteを紹介する。 真実や虚偽を判断する代わりに、スイートは20個の診断レンズを通して、信頼の洗浄、物語の圧縮、異動した権威、一時的な漂流などのパターンを明らかにする。
  論文  参考訳（メタデータ） (2025-09-20T00:29:38Z)
• Semantic Consistency-Based Uncertainty Quantification for Factuality in Radiology Report Generation [20.173287130474797]
  生成医療ビジョン大言語モデル(VLLM)は幻覚を起こしやすく、不正確な診断情報を生成できる。 報告レベルと文レベルの不確実性の両方を提供するセマンティック一貫性に基づく不確実性定量化フレームワークを新たに導入する。 提案手法は,MIMIC-CXRデータセット上のtexttRadialogモデルを用いて,20ドル分のレポートを拒否することで,事実性スコアを10ドル%改善する。
  論文  参考訳（メタデータ） (2024-12-05T20:43:39Z)
• Uncertainty-aware Medical Diagnostic Phrase Identification and Grounding [72.18719355481052]
  MRG(Messical Report Grounding)と呼ばれる新しい課題について紹介する。 MRGは医療報告から診断フレーズとその対応する接地箱を直接エンドツーエンドで識別することを目的としている。 マルチモーダルな大規模言語モデルを用いて診断フレーズを予測する,堅牢で信頼性の高いフレームワークである uMedGround を提案する。
  論文  参考訳（メタデータ） (2024-04-10T07:41:35Z)
• SSM-DTA: Breaking the Barriers of Data Scarcity in Drug-Target Affinity Prediction [127.43571146741984]
  薬物標的親和性(DTA)は、早期の薬物発見において極めて重要である。 湿式実験は依然として最も信頼性の高い方法であるが、時間と資源が集中している。 既存の手法は主に、データ不足の問題に適切に対処することなく、利用可能なDTAデータに基づく技術開発に重点を置いている。 SSM-DTAフレームワークについて述べる。
  論文  参考訳（メタデータ） (2022-06-20T14:53:25Z)

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。