論文の概要: Evolving Idea Graphs with Learnable Edits-and-Commits for Multi-Agent Scientific Ideation

• arxiv url: http://arxiv.org/abs/2605.04922v1
• Date: Wed, 06 May 2026 13:50:40 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-07 18:41:07.852863
• Title: Evolving Idea Graphs with Learnable Edits-and-Commits for Multi-Agent Scientific Ideation
• Title（参考訳）: 多分野の科学的思考のための学習可能な編集・コミットを用いたアイデアグラフの進化
• Abstract要約: グラフに基づく科学的思考フレームワークである textbfEvolving Idea Graphs (EIG) を紹介する。 EIGはテキストのみをコーディネートするのではなく、部分的に形成された提案を進化するアイデアグラフとして表現している。 AI Idea Bench 2025とLiveIdeaBenchでは、EIGは自動ベンチマークスコアとブラインドエキスパートレーティングの両方で、比較対象のシステムを上回っている。
• 参考スコア（独自算出の注目度）: 18.45228233820125
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: LLM-empowered multi-agent systems offer new potential to accelerate scientific discovery by generating novel research ideas. However, existing methods typically coordinate agents through temporary texts, such as drafts or chat logs; it is difficult to pinpoint the weaknesses in the generated ideas and how the agents refine them. To this end, we introduce \textbf{Evolving Idea Graphs} (EIG), a graph-based multi-agent scientific ideation framework that can generate high-performance research ideas across various benchmark-native metrics, such as novelty, feasibility, and clarity. Instead of coordinating solely through texts, EIG represents a partially formed proposal as an evolving idea graph, where nodes capture scientific claims and edges encode relations (e.g., support and conflict), enabling unresolved weaknesses to remain identifiable throughout the idea evolving process. Specifically, a learned two-head controller operates over the evolving graph to guide the ideation: one head selects graph edits for agents to execute, while the other decides when the graph is ready for commit as final proposal synthesis. On AI Idea Bench 2025 and LiveIdeaBench, EIG outperforms all compared systems on both automatic benchmark scores and blind expert ratings. Ablations further show that explicit graph state provides the main performance gains, and learned edit-and-commit control adds consistent improvements.
• Abstract（参考訳）: LLMを利用したマルチエージェントシステムは、新しい研究アイデアを生み出すことによって科学的発見を加速する新たな可能性を提供する。 しかし、既存の手法は通常、ドラフトやチャットログなどの一時的なテキストを通じてエージェントをコーディネートする。 この目的のために、グラフベースのマルチエージェント科学概念フレームワークである \textbf{Evolving Idea Graphs} (EIG) を導入する。 EIGは、テキストのみでコーディネートするのではなく、ノードが科学的な主張とエッジをエンコードし(例えば、サポートと競合)、未解決の弱点が進化するプロセスを通して識別されることを可能にする、進化するアイデアグラフとして部分的に形成された提案である。 ひとつはエージェントが実行するグラフ編集を選択し、もう一方は最終提案合成としてグラフがコミットされる準備ができているかどうかを決定します。 AI Idea Bench 2025とLiveIdeaBenchでは、EIGは自動ベンチマークスコアとブラインドエキスパートレーティングの両方で、比較対象のシステムを上回っている。 さらにアブレーションは、明示的なグラフ状態が主なパフォーマンス向上をもたらし、学習された編集とコミットの制御が一貫した改善をもたらすことを示している。

関連論文リスト

• Rethinking Message Passing as Retrieval for Text-Attributed Graph Learning [63.602658976990874]
  グラフニューラルネットワーク(GNN)は通常、メッセージパッシングニューラルネットワークとして概念化されている。 本稿では,GNNの検索拡張ビューについて述べる。各レイヤは,検索したグラフコンテキストの置換インサマリとともに,ノード表現に変分を適用して予測を行う。 この観点から、構造的メッセージパッシングをラベル認識検索と伝搬に置き換えるシンプルな集約ベースのフレームワークであるRTAを提案する。
  論文  参考訳（メタデータ） (2026-08-27T07:25:44Z)
• EvoGraph-R1: Self-Evolving Multimodal Knowledge Hypergraphs for Agentic Retrieval [23.778354620399316]
  EvoGraph-R1は、知識グラフをエージェントインタラクションによって形成される動的環境として再認識する、自己進化的なGraphRAGフレームワークである。 エージェントがグラフの状態を観察し、クエリ(GraphRetrieve)、拡張(WebSearch)、洗練(GraphEdit)、あるいは終了(Answer)のためのアクションを実行する、マルコフ決定プロセス(MDP)として検索を定式化する。 マルチモーダルVQAとテキストQAベンチマークの実験では、既存のRAGベースラインよりも精度、カバレッジ、トレーサビリティが大幅に向上した。
  論文  参考訳（メタデータ） (2026-07-14T13:34:07Z)
• LECTOR: Joint Optimization of Scientific Reasoning Graphs and Introduction Generation [57.70907667652966]
  序文は特に難解であり、論理的な健全さと検証可能な忠実さを要求する。 ほとんどのAI支援手法は、推論や構造化ではなく、タスクをテキスト生成として扱うため、深刻な欠点が生じる。 我々は,科学者の論理を厳格に追従し,高品質な引用を加え,構造化された表現を維持できる新しい論理表現協調強化学習フレームワークであるLECTORを提案する。
  論文  参考訳（メタデータ） (2026-05-25T15:41:16Z)
• Paper Circle: An Open-source Multi-agent Research Discovery and Analysis Framework [82.66443886385125]
  ペーパーサークル(Paper Circle)は、学術文献の発見、評価、整理、理解に必要な労力を減らすために設計された発見・分析システムである。 1)複数のソースからのオフラインおよびオンライン検索を統合するディスカバリパイプライン,多エージェントスコアリング,多様性対応ランキング,構造化アウトプット,2)個々の論文を概念,メソッド,数値などの型付きノードで構造化された知識グラフに変換する分析パイプライン,の2つの補完パイプラインで構成されている。
  論文  参考訳（メタデータ） (2026-04-07T17:59:58Z)
• Think-on-Graph 3.0: Efficient and Adaptive LLM Reasoning on Heterogeneous Graphs via Multi-Agent Dual-Evolving Context Retrieval [35.65907480060404]
  Think-on-Graph 3.0 (ToG-3) は、制約を克服するためにMulti-Agent Context Evolution and Retrieval (MACER) メカニズムを導入した新しいフレームワークである。 我々の中心となる革新は、チャンク・トリプレット・コミュニティ・ヘテロジニアスグラフ指数の動的構築と洗練である。 マルチエージェントシステムは、エビデンス検索、回答生成、十分性、そして決定的に進化するクエリとサブグラフの反復的なプロセスに関与する。
  論文  参考訳（メタデータ） (2025-09-26T00:13:10Z)
• Graph Counselor: Adaptive Graph Exploration via Multi-Agent Synergy to Enhance LLM Reasoning [4.703280619961521]
  GraphRAGは、知識関係を明示的にモデル化することで、外部知識統合機能を効果的に強化する。 既存の方法には2つの固有の制限がある。 マルチエージェント協調に基づくグラフRAG法であるGraph Counselorを提案する。
  論文  参考訳（メタデータ） (2025-06-04T13:31:21Z)
• EvoGit: Decentralized Code Evolution via Git-Based Multi-Agent Collaboration [24.264076742680984]
  EvoGitは、自律的なコード進化によって駆動されるソフトウェア開発のための分散マルチエージェントフレームワークである。 すべての調整はGitベースのフィロジェネティックグラフを通じて行われ、完全なバージョンラインを追跡する。 ユーザはハイレベルな目標を定義し、定期的にグラフをレビューし、軽量なフィードバックを提供する。
  論文  参考訳（メタデータ） (2025-06-01T05:20:42Z)
• Align-GRAG: Reasoning-Guided Dual Alignment for Graph Retrieval-Augmented Generation [79.75818239774952]
  大きな言語モデル(LLM)は目覚ましい能力を示しているが、幻覚や時代遅れの情報といった問題に苦戦している。 Retrieval-augmented Generation (RAG) は、情報検索システム(IR)を用いて、外部知識のLLM出力を基底にすることで、これらの問題に対処する。 本稿では、検索後句における新しい推論誘導二重アライメントフレームワークであるAlign-GRAGを提案する。
  論文  参考訳（メタデータ） (2025-05-22T05:15:27Z)
• Graph-to-Vision: Multi-graph Understanding and Reasoning using Vision-Language Models [10.813015912529936]
  VLM(Vision-Language Models)のマルチグラフ推論能力の評価と向上を目的とした,初の総合ベンチマークを導入する。 本ベンチマークでは,4つの共通グラフ型(知識グラフ,フローチャート,マインドマップ,ルートマップ)を網羅し,同種グラフ群と異種グラフ群をサポートする。 グラフ解析,推論整合性,命令追従精度を評価する多次元スコアリングフレームワークを用いて,最先端のVLMを評価した。
  論文  参考訳（メタデータ） (2025-03-27T12:20:37Z)
• SimTeG: A Frustratingly Simple Approach Improves Textual Graph Learning [131.04781590452308]
  テキストグラフ学習におけるフラストレーションに富んだアプローチであるSimTeGを提案する。 まず、下流タスクで予め訓練されたLM上で、教師付きパラメータ効率の微調整(PEFT)を行う。 次に、微調整されたLMの最後の隠れ状態を用いてノード埋め込みを生成する。
  論文  参考訳（メタデータ） (2023-08-03T07:00:04Z)
• Scientific Paper Extractive Summarization Enhanced by Citation Graphs [50.19266650000948]
  我々は、引用グラフを活用して、異なる設定下での科学的論文の抽出要約を改善することに重点を置いている。 予備的な結果は、単純な教師なしフレームワークであっても、引用グラフが有用であることを示している。 そこで我々は,大規模ラベル付きデータが利用可能である場合のタスクにおいて,より正確な結果を得るために,グラフベースのスーパービジョン・サムライゼーション・モデル(GSS)を提案する。
  論文  参考訳（メタデータ） (2022-12-08T11:53:12Z)
• Stacked Hybrid-Attention and Group Collaborative Learning for Unbiased Scene Graph Generation [62.96628432641806]
  Scene Graph Generationは、まず与えられた画像内の視覚的コンテンツをエンコードし、次にそれらをコンパクトな要約グラフに解析することを目的としている。 まず,モーダル内改良とモーダル間相互作用を容易にする新しいスタック型ハイブリッド・アテンションネットワークを提案する。 次に、デコーダを最適化するための革新的なグループ協調学習戦略を考案する。
  論文  参考訳（メタデータ） (2022-03-18T09:14:13Z)
• Modularity-Aware Graph Autoencoders for Joint Community Detection and Link Prediction [27.570978996576503]
  グラフオートエンコーダ(GAE)と変分グラフオートエンコーダ(VGAE)はリンク予測の強力な手法として登場した。 GAEとVGAEによるコミュニティ検出がどの程度改善できるかは、まだ不明である。 これら2つのタスクを高い精度で共同で処理することは可能であることを示す。
  論文  参考訳（メタデータ） (2022-02-02T11:07:11Z)

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。