論文の概要: Discovering Cooperative Pipelines: Autoresearch for Sequential Social Dilemmas

• arxiv url: http://arxiv.org/abs/2605.30003v1
• Date: Thu, 28 May 2026 14:33:10 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-30 02:45:56.39236
• Title: Discovering Cooperative Pipelines: Autoresearch for Sequential Social Dilemmas
• Title（参考訳）: 協調的パイプラインの発見 : 社会的ジレンマの自動検索
• Authors: Víctor Gallego,
• Abstract要約: 外部ループAIエージェントは、ポリシー合成システムの内部ループパイプラインを自律的に再設計する。 研究者エージェントはインナーループソースコードを読み、システムプロンプト、フィードバック関数、ヘルパーライブラリ、イテレーションロジックを編集し、評価を実行し、何を保持するかを決定する。
• 参考スコア（独自算出の注目度）: 6.599344783327054
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We study two-level autoresearch for cooperation: an outer-loop AI agent autonomously redesigns the inner-loop pipeline of an LLM policy-synthesis system for multi-agent Sequential Social Dilemmas (SSDs). A researcher agent $\mathcal{R}$ (run as a coding agent) reads the inner-loop source code, edits system prompts, feedback functions, helper libraries, and iteration logic, runs evaluations, and decides what to keep, following the autoresearch paradigm. Across two games (Cleanup and Gathering), two policy-synthesizer LLMs, and two welfare objectives (utilitarian efficiency and Rawlsian maximin), the researcher reliably exceeds hand-designed baselines, sharply tightens run-to-run variance, and outperforms prompt-only optimization. The discovered pipelines are objective-dependent: only under maximin does the researcher inject an explicit fairness mechanism into synthesizer pipelines, a class of mechanism that is absent from its own objective-agnostic system prompt and from every efficiency-optimized pipeline. This supports an information-design reading in which the researcher chooses what to reveal to the boundedly rational synthesizer as a function of the welfare objective. Code at https://github.com/vicgalle/autoresearch-social-dilemmas.
• Abstract（参考訳）: 外部ループAIエージェントは、マルチエージェントシーケンス社会ジレンマ(SSD)のためのLCMポリシー合成システムの内ループパイプラインを自律的に再設計する。 研究者エージェント$\mathcal{R}$(コーディングエージェントとして実行される)は、インナーループのソースコードを読み、システムプロンプト、フィードバック関数、ヘルパーライブラリ、イテレーションロジックを編集し、評価を実行し、オート検索パラダイムに従って何を保持するかを決定する。 2つのゲーム(クリーンアップとギャザリング)、2つのポリシー合成器 LLM と2つの福祉目的(実用効率とRawlsian maximin)、研究者は手書きのベースラインを確実に超越し、実行時から実行時までの分散を鋭く強化し、即時のみの最適化よりも優れています。 発見されたパイプラインは客観的に依存しており、マキシミンの下でのみ、研究者は独自の目的に依存しないシステムプロンプトと効率最適化されたパイプラインから欠くメカニズムのクラスであるシンセサイザーパイプラインに明示的な公正性メカニズムを注入する。 これは、研究者が福祉目的の機能として有界に合理的なシンセサイザーに何を明らかにするかを選択する情報設計読書をサポートする。 コードネームはhttps://github.com/vicgalle/autoresearch-social-dilemmas。

関連論文リスト

• GrepSeek: Training Search Agents for Direct Corpus Interaction [66.69568141699311]
  GrepSeekは、コンパクトな検索エージェントを訓練し、大きなテキストコーパスから証拠を見つけ、フィルタリングし、構成する、最適化された直接コーパスインタラクション(DCI)検索エージェントである。 DCIを大規模に実用化するためには、シェルコマンドのシーケンシャルな実行とバイトエクササイズ等価性を保ちながら、シェルベースの検索を最大7.6タイムで高速化するセマンティックス保存のシャード並列実行エンジンを使用する。
  論文  参考訳（メタデータ） (2026-05-28T03:37:33Z)
• AutoResearchClaw: Self-Reinforcing Autonomous Research with Human-AI Collaboration [175.74514061083195]
  提案するAutoResearchClawは,5つのメカニズムに基づいて構築されたマルチエージェント自律型研究パイプラインである。 25トピックの実験ステージベンチマークであるARC-Benchでは、AutoResearchClawがAI Scientist v2を54.7%上回っている。
  論文  参考訳（メタデータ） (2026-05-19T15:49:51Z)
• From I/O to Code with Discovery Agent [103.88427301265669]
  IO2Codeの発見エージェントであるDIO-Agentを提案する。 本手法は,プログラム空間上の進化的探索としてIO2Codeをフレーム化する。 大規模な実験により、DIO-Agentは従来のプログラムバイサンプル法とSOTA進化エージェントベースラインの両方を一貫して上回っていることが示された。
  論文  参考訳（メタデータ） (2026-05-14T18:57:32Z)
• 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)
• Seismology modeling agent: A smart assistant for geophysical researchers [14.28965530601497]
  本稿では,Large Language Models (LLM) を利用したインテリジェントな対話型ワークフローを提案する。 SPECFEMのための最初のモデルコンテキストプロトコル(MCP)サーバスイートを紹介する。 このフレームワークは、完全な自動実行とHuman-in-the-loopコラボレーションの両方をサポートする。
  論文  参考訳（メタデータ） (2025-12-16T14:18:26Z)
• SelfAI: Building a Self-Training AI System with LLM Agents [79.10991818561907]
  SelfAIは、高レベルの研究目的を標準化された実験構成に変換するためのUser Agentを組み合わせた、一般的なマルチエージェントプラットフォームである。 実験マネージャは、連続的なフィードバックのための構造化知識ベースを維持しながら、異種ハードウェアをまたいだ並列かつフォールトトレラントなトレーニングを編成する。 回帰、コンピュータビジョン、科学計算、医用画像、薬物発見ベンチマークなどを通じて、SelfAIは一貫して高いパフォーマンスを達成し、冗長な試行を減らしている。
  論文  参考訳（メタデータ） (2025-11-29T09:18:39Z)
• KompeteAI: Accelerated Autonomous Multi-Agent System for End-to-End Pipeline Generation for Machine Learning Problems [36.17807193758863]
  KompeteAIは、動的ソリューション空間探索を備えた新しいAutoMLフレームワークである。 我々は動的ソリューション空間探索を備えた新しいAutoMLフレームワークであるKompeteAIを紹介する。 我々は,MLE-Benchにおける制約に対応するために,Kompete-benchを提案する。
  論文  参考訳（メタデータ） (2025-08-13T20:29:56Z)
• LLM-First Search: Self-Guided Exploration of the Solution Space [29.780554400938335]
  大規模言語モデル(LLM)は、テスト時間計算の増加による推論と計画の大幅な改善を示している。 我々は,新しいTextitLLM Self-Guided Search法である textbfLLM-First Search (LFS) を提案する。
  論文  参考訳（メタデータ） (2025-06-05T16:27:49Z)

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。