論文の概要: Agentic Discovery with Active Hypothesis Exploration for Visual Recognition
- arxiv url: http://arxiv.org/abs/2604.12999v1
- Date: Tue, 14 Apr 2026 17:34:05 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-04-15 19:11:32.589032
- Title: Agentic Discovery with Active Hypothesis Exploration for Visual Recognition
- Title（参考訳）: 視覚認識のための能動仮説探索によるエージェント発見
- Authors: Jaywon Koo, Jefferson Hernandez, Ruozhen He, Hanjie Chen, Chen Wei, Vicente Ordonez,
- Abstract要約: hypoExploreは、仮説駆動の科学的調査として視覚認識のためのニューラルネットワーク発見を定式化している。
新しい仮説は、二重戦略によって導かれる、構築する親仮説を選択することで、大きな言語モデルを用いて作成される。
仮説の信頼性スコアは証拠が蓄積するにつれてますます予測的になり、学習された原理が独立した進化の系統間で伝達されることを示す。
- 参考スコア（独自算出の注目度）: 22.895961870906405
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: We introduce HypoExplore, an agentic framework that formulates neural architecture discovery for visual recognition as a hypothesis-driven scientific inquiry. Given a human-specified high-level research direction, HypoExplore ideates, implements, evaluates, and improves neural architectures through evolutionary branching. New hypotheses are created using a large language model by selecting a parent hypothesis to build upon, guided by a dual strategy that balances exploiting validated principles with resolving uncertain ones. Our proposed framework maintains a Trajectory Tree that records the lineage of all proposed architectures, and a Hypothesis Memory Bank that actively tracks confidence scores acquired through experimental evidence. After each experiment, multiple feedback agents analyze the results from different perspectives and consolidate their findings into hypothesis confidence updates. Our framework is tested on discovering lightweight vision architectures on CIFAR-10, with the best achieving 94.11% accuracy evolved from a root node baseline that starts at 18.91%, and generalizes to CIFAR-100 and Tiny-ImageNet. We further demonstrate applicability to a specialized domain by conducting independent architecture discovery runs on MedMNIST, which yield a state-of-the-art performance. We show that hypothesis confidence scores grow increasingly predictive as evidence accumulates, and that the learned principles transfer across independent evolutionary lineages, suggesting that HypoExplore not only discovers stronger architectures, but can help build a genuine understanding of the design space.
- Abstract（参考訳）: 我々は、仮説駆動の科学的調査として、視覚認識のためのニューラルネットワーク発見を定式化するエージェントフレームワークであるPhyExploreを紹介する。
人間の特定されたハイレベルな研究の方向性が与えられたとき、HypoExploreは進化的分岐を通じて神経アーキテクチャを設計し、実装し、評価し、改善する。
新しい仮説は、検証済みの原則と不確実な原則の解決のバランスをとる二重戦略によって導かれる、構築する親仮説を選択することで、大きな言語モデルを使用して作成される。
提案するフレームワークは,提案するすべてのアーキテクチャの系譜を記録するトラジェクトリツリーと,実験的な証拠から得られた信頼度を積極的に追跡する仮説記憶銀行を維持している。
各実験の後、複数のフィードバックエージェントが異なる視点から結果を分析し、その結果を仮説の信頼性更新に集約する。
我々のフレームワークは、CIFAR-10上で軽量な視覚アーキテクチャを発見し、最高の94.11%の精度を18.91%のルートノードベースラインから進化させ、CIFAR-100とTiny-ImageNetに一般化する。
我々はさらに、MedMNIST上で独立したアーキテクチャ発見を実行することで、特定のドメインに適用可能であることを実証する。
仮説の信頼性スコアは、証拠が蓄積するにつれてますます予測的になり、学習された原則が独立した進化の系統にまたがって伝達されることを示し、HypoExploreはより強力なアーキテクチャを発見するだけでなく、デザイン空間の真の理解を構築するのに役立つことを示唆する。
関連論文リスト
- OR-Agent: Bridging Evolutionary Search and Structured Research for Automated Algorithm Discovery [10.217363774023033]
OR-Agentは、リッチな実験環境における自動探査のために設計されたマルチエージェントの研究フレームワークである。
本稿では,研究開始点の進化的選択,総合的な研究計画生成,研究ツリー内の協調探索を統一する進化的システム機構を提案する。
我々は古典的最適化ベンチマーク(走行セールスマン、静電容量化車両ルーティング、ビンパッキング、オリエンテーリング、および複数のクナップサック問題を含む)およびシミュレーションに基づく協調運転シナリオを含む実験を行う。
論文 参考訳（メタデータ） (2026-02-14T13:32:03Z) - FIRE-Bench: Evaluating Agents on the Rediscovery of Scientific Insights [63.32178443510396]
FIRE-Bench (Full-cycle Insight Rediscovery Evaluation) は、確立された発見の再検討を通じてエージェントを評価するベンチマークである。
最強のエージェントでさえ、限られた再発見成功(50 F1)を達成し、実行中に高いばらつきを示し、実験的な設計、実行、エビデンスに基づく推論において繰り返し失敗モードを表示する。
論文 参考訳（メタデータ） (2026-02-02T23:21:13Z) - Hypothesis Hunting with Evolving Networks of Autonomous Scientific Agents [52.50038914857797]
この過程を仮説探索と呼び、膨大な複雑な仮説空間を横断する持続的な探索を通して洞察を累積的に探索する。
本稿では、エージェント、ネットワーク、評価規範の相互作用としてフレームワークモデリングディスカバリであるAScienceを紹介し、ASCollabとして実装する。
実験により、このような社会的ダイナミクスは、多様性-品質-ノーベルティフロンティアに沿った専門家評価結果の蓄積を可能にすることが示された。
論文 参考訳（メタデータ） (2025-10-08T08:47:07Z) - Bayes-Entropy Collaborative Driven Agents for Research Hypotheses Generation and Optimization [4.469102316542763]
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。
論文 参考訳（メタデータ） (2025-08-03T13:05:32Z) - GUIDE: Towards Scalable Advising for Research Ideas [29.754833632647195]
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) - Open-ended Scientific Discovery via Bayesian Surprise [63.26412847240136]
AutoDSは、ベイジアン・サプライズを用いた科学探査を駆動する、オープンエンドの科学的発見の方法である。
我々はAutoDSを、生物学、経済学、金融学、行動科学といった21の領域にまたがる実世界のデータセットにまたがるデータ駆動ディスカバリの設定で評価する。
論文 参考訳（メタデータ） (2025-06-30T22:53:59Z) - MOOSE-Chem3: Toward Experiment-Guided Hypothesis Ranking via Simulated Experimental Feedback [136.27567671480156]
先行テストからのフィードバックに基づいて仮説を優先順位付けする実験誘導ランキングを導入する。
我々は、シーケンシャルな意思決定問題として実験誘導型ランキングを定めている。
我々のアプローチは、実験前のベースラインと強い改善を著しく上回る。
論文 参考訳（メタデータ） (2025-05-23T13:24:50Z) - 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) - 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) - The Open-World Lottery Ticket Hypothesis for OOD Intent Classification [68.93357975024773]
我々はOODに対するモデル過信の根本的な原因を明かした。
Lottery Ticket仮説も,オープンワールドシナリオに拡張しています。
論文 参考訳（メタデータ） (2022-10-13T14:58:35Z)
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。