論文の概要: Enhancing Research Idea Generation through Combinatorial Innovation and Multi-Agent Iterative Search Strategies

• arxiv url: http://arxiv.org/abs/2604.20548v1
• Date: Wed, 22 Apr 2026 13:31:12 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-23 15:36:11.141789
• Title: Enhancing Research Idea Generation through Combinatorial Innovation and Multi-Agent Iterative Search Strategies
• Title（参考訳）: コンビニアルイノベーションとマルチエージェント反復探索戦略による研究思想の創出
• Authors: Shuai Chen, Chengzhi Zhang,
• Abstract要約: 本研究では,複合双対的革新理論に触発されたマルチエージェント反復計画探索戦略を提案する。 このフレームワークは、反復的な知識探索とLLMベースのマルチエージェントシステムを組み合わせて、研究のアイデアを生成し、評価し、再定義する。 自然言語処理領域における実験により,提案手法は多様性と新規性の両方において最先端のベースラインを上回っていることが示された。
• 参考スコア（独自算出の注目度）: 9.063254770910948
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Scientific progress depends on the continual generation of innovative re-search ideas. However, the rapid growth of scientific literature has greatly increased the cost of knowledge filtering, making it harder for researchers to identify novel directions. Although existing large language model (LLM)-based methods show promise in research idea generation, the ideas they produce are often repetitive and lack depth. To address this issue, this study proposes a multi-agent iterative planning search strategy inspired by com-binatorial innovation theory. The framework combines iterative knowledge search with an LLM-based multi-agent system to generate, evaluate, and re-fine research ideas through repeated interaction, with the goal of improving idea diversity and novelty. Experiments in the natural language processing domain show that the proposed method outperforms state-of-the-art base-lines in both diversity and novelty. Further comparison with ideas derived from top-tier machine learning conference papers indicates that the quality of the generated ideas falls between that of accepted and rejected papers. These results suggest that the proposed framework is a promising approach for supporting high-quality research idea generation. The source code and dataset used in this paper are publicly available on Github repository: https://github.com/ChenShuai00/MAGenIdeas. The demo is available at https://huggingface.co/spaces/cshuai20/MAGenIdeas.
• Abstract（参考訳）: 科学的進歩は、革新的な再研究のアイデアの連続的な生成に依存している。 しかし、科学文献の急速な成長は知識フィルタリングのコストを大幅に増加させ、研究者が新しい方向を特定するのを困難にしている。 既存の大規模言語モデル(LLM)ベースの手法は、研究アイデア生成において有望であることを示しているが、それらが生み出すアイデアはしばしば反復的であり、深さを欠いている。 そこで本研究では,複合双対的革新理論に触発されたマルチエージェント反復計画探索戦略を提案する。 このフレームワークは、反復的な知識探索とLLMベースのマルチエージェントシステムを組み合わせて、反復的な相互作用を通じて研究のアイデアを生成し、評価し、再定義し、アイデアの多様性と新規性を改善することを目的としている。 自然言語処理領域における実験により,提案手法は多様性と新規性の両方において最先端のベースラインを上回っていることが示された。 上位階層の機械学習会議論文から得られたアイデアと比較すると、生成したアイデアの質は、受理された論文と受理された論文と受理された論文との間にあることが分かる。 これらの結果から,提案手法は高品質な研究アイデア生成を支援する上で有望な手法であることが示唆された。 この論文で使用されるソースコードとデータセットはGithubリポジトリで公開されている。 デモはhttps://huggingface.co/spaces/cshuai20/MAGenIdeas.comで公開されている。

関連論文リスト

• Deep Ideation: Designing LLM Agents to Generate Novel Research Ideas on Scientific Concept Network [9.317340414316446]
  本稿では,キーワード共起関係と文脈関係をキャプチャする科学ネットワークを統合する枠組みを提案する。 現実のレビュアーのフィードバックに基づいて訓練された批評家エンジンは、アイデアの新規性と実現可能性に関する継続的なフィードバックを提供することによって、プロセスをガイドする。 当社のアプローチでは,他の手法に比べて10.67%の品質向上を実現しています。
  論文  参考訳（メタデータ） (2025-11-04T04:00:20Z)
• The Budget AI Researcher and the Power of RAG Chains [4.797627592793464]
  研究アイデア生成への現在のアプローチは、しばしばジェネリック・大型言語モデル(LLM)に依存している。 私たちのフレームワークであるThe Budget AI Researcherは、検索強化ジェネレーションチェーン、ベクトルデータベース、トピック誘導ペアリングを使用して、数百の機械学習論文の概念を再結合します。 このシステムは、機械学習の広大なサブフィールドにまたがる9つの主要なAIカンファレンスから論文を取り込み、それらを階層的なトピックツリーに整理する。
  論文  参考訳（メタデータ） (2025-06-14T02:40:35Z)
• Harnessing Large Language Models for Scientific Novelty Detection [49.10608128661251]
  科学的ノベルティ検出(ND)のための大規模言語モデル(LLM)を提案する。 そこで本研究では,LLMからアイデアレベルの知識を抽出し,ライトウェイトなレトリバーを訓練することを提案する。 実験の結果,提案手法は,アイデア検索やNDタスクのためのベンチマークデータセットにおいて,常に他よりも優れていた。
  論文  参考訳（メタデータ） (2025-05-30T14:08:13Z)
• SciPIP: An LLM-based Scientific Paper Idea Proposer [30.670219064905677]
  SciPIPは,文献検索とアイデア生成の両面での改善を通じて,科学的アイデアの提案を強化するために設計された,革新的なフレームワークである。 自然言語処理やコンピュータビジョンなど,さまざまな領域で実施した実験では,SciPIPが革新的で有用なアイデアを多数生成する能力を示した。
  論文  参考訳（メタデータ） (2024-10-30T16:18:22Z)
• Nova: An Iterative Planning and Search Approach to Enhance Novelty and Diversity of LLM Generated Ideas [30.3756058589173]
  我々は,大規模言語モデル(LLM)の創造的可能性を高めるために,拡張計画と探索手法を導入する。 我々の枠組みは、特に新規性と多様性において、生成したアイデアの質を大幅に高める。 本手法は,スイスのトーナメント評価において,170枚のシード論文に基づいて,少なくとも2.5倍以上の上位のアイデアを生成する。
  論文  参考訳（メタデータ） (2024-10-18T08:04:36Z)
• Chain of Ideas: Revolutionizing Research Via Novel Idea Development with LLM Agents [64.64280477958283]
  科学文献の急激な増加は、研究者が最近の進歩と意義ある研究方向を見極めるのを困難にしている。 大規模言語モデル(LLM)の最近の発展は、新しい研究のアイデアを自動生成するための有望な道のりを示唆している。 本研究では, チェーン構造に関連文献を整理し, 研究領域の進展を効果的に反映する, LLMベースのエージェントであるChain-of-Ideas(CoI)エージェントを提案する。
  論文  参考訳（メタデータ） (2024-10-17T03:26:37Z)

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。