論文の概要: Negative Knowledge as Failure-aware Shared Memory for AutoResearch

• arxiv url: http://arxiv.org/abs/2606.21024v1
• Date: Fri, 19 Jun 2026 01:23:10 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-26 08:56:02.911391
• Title: Negative Knowledge as Failure-aware Shared Memory for AutoResearch
• Title（参考訳）: 自動検索における障害認識共有メモリとしての否定的知識
• Authors: Hanchun Wang,
• Abstract要約: キュレーターエージェントは、失敗した試行を共有バンク内の有界型付きレコードに変換する。 下流の研究エージェントは、次の実験を提案する前に、これらのレコードを明示的に採用または拒否する。 構造化された負の知識は、より広範なAIによる科学研究において明確に維持されるべき知識資産であることを示す。
• 参考スコア（独自算出の注目度）: 0.2436681150766912
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: AI-assisted research systems generate many failed attempts, but those failures rarely become a durable, shared knowledge asset. We propose a negative knowledge memory layer: a curator agent converts each failed attempt into a bounded, typed record in a shared bank, and a downstream research agent explicitly adopts or rejects those records before proposing its next experiment. We evaluate this layer in two settings: same-task retry on ScienceAgentBench and cross-task scientific research on two nonlinear math-physics PDE problems. The negative knowledge layer outperforms vanilla AutoResearch baselines while using fewer tokens; agents with the negative knowledge bank solve new tasks that all baselines fail to solve in PDE systems research. We also show that the previous negative knowledge bank can transfer and enhance AutoResearch on different PDE problems. These results suggest that structured negative knowledge is a knowledge asset that should be explicitly maintained in broader AI-engaged scientific research beyond a memory-compression or debugging aid, alongside positive findings, as a collective infrastructure for scientific memory. Code is available at https://github.com/hch-wang/Negative_Knowledge.
• Abstract（参考訳）: AI支援研究システムは、多くの失敗を生んでいるが、これらの失敗は、耐久性のある共有知識資産になることは滅多にない。 キュレーターエージェントは、失敗した各試行を共有バンク内の有界型レコードに変換し、下流の研究エージェントは次の実験を行う前にこれらのレコードを明示的に採用または拒否する。 我々は,この層を,ScienceAgentBenchの準タスク再試行と2つの非線形数学物理PDE問題に関するクロスタスク科学的研究の2つの設定で評価した。 負の知識層は、トークンを減らしながらバニラのAutoResearchベースラインを上回り、負の知識バンクを持つエージェントは、PDEシステム研究においてすべてのベースラインが解決できない新しいタスクを解決します。 また、従来の負の知識銀行は、異なるPDE問題に対してAutoResearchを転送し、拡張できることを示す。 これらの結果は、構造化された負の知識は、科学記憶のための総合的な基盤として、肯定的な発見とともに、メモリ圧縮やデバッグ支援を超えて、より広範なAIによる科学研究において明確に維持されるべき知識資産であることを示している。 コードはhttps://github.com/hch-wang/Negative_Knowledge.comで公開されている。

関連論文リスト

• Sibyl-AutoResearch: Autonomous Research Needs Self-Evolving Trial-and-Error Harnesses, Not Paper Generators [37.075000666622074]
  我々はScientific Trial-and-Error Harnessesを中心に構築された自己進化型AutoResearchフレームワークであるSibyl-AutoResearchを紹介した。 ハーネスは、エージェントが有界なトライアルを実行し、肯定的な結果と否定的な結果を保持し、後続の計画、検証、クレームスコープ、スケジューリング、批判、執筆、修復に教訓を導いてくれる。 SIBYLはファイルベースの自律的な研究システムで、状態、役割、メモリ、ゲート、アーティファクトトレースを公開して変換パスを検査する。
  論文  参考訳（メタデータ） (2026-05-21T11:29:08Z)
• Declarative Data Services: Structured Agentic Discovery for Composing Data Systems [1.8167057409188236]
  宣言型データサービス(DDS)は、宣言型ユーザ意図からデータシステム構成の構造化されたエージェント発見のためのアーキテクチャである。 トレーディングバックのワークロードにおける生命の証明として、無境界の発見ができない場所で収束する。
  論文  参考訳（メタデータ） (2026-05-20T04:36:40Z)
• DeepRefine: Agent-Compiled Knowledge Refinement via Reinforcement Learning [60.35032268606525]
  エージェントコンパイルされた知識ベースは、下流タスクにおいて、大きな言語モデル(LLM)エージェントに対して永続的な外部知識を提供する。 しかし、その品質は、不完全性、不完全性、浮揚性によって体系的に制限される
  論文  参考訳（メタデータ） (2026-05-11T12:48:31Z)
• The Last Human-Written Paper: Agent-Native Research Artifacts [106.47848184955576]
  本稿では,物語紙を機械処理可能な研究パッケージに置き換えるプロトコルであるAgent-Native Research Artifact(ARA)を紹介する。 通常の開発において決定と終了をキャプチャするLive Research Manager、レガシPDFとリポジトリをARAに変換するARAコンパイラ、人間レビュアーが重要性、ノベルティ、味にフォーカスできるように客観的チェックを自動化するARAネイティブレビューシステムである。
  論文  参考訳（メタデータ） (2026-04-27T16:23:09Z)
• Demand-Driven Context: A Methodology for Building Enterprise Knowledge Bases Through Agent Failure [0.0]
  ドメインの知識をキュレートするための主要なシグナルとしてエージェントの失敗を利用する問題優先の方法論であるDemand-Driven Contextを紹介します。 テスト駆動開発にインスパイアされたDDCは、エージェントに本当の問題を与え、必要なコンテキストを要求し、成功に必要な最小限の知識だけをキュレートする。
  論文  参考訳（メタデータ） (2026-03-14T17:58:56Z)
• Explainable Innovation Engine: Dual-Tree Agent-RAG with Methods-as-Nodes and Verifiable Write-Back [0.0]
  本稿では,知識単位をテキストチャンクからメソッド・アズ・ノードにアップグレードする説明可能なイノベーションエンジンを提案する。 エンジンは、トレース可能な導出のための重み付きメソッド証明ツリーと、効率的なトップダウンナビゲーションのための階層的クラスタリング抽象化ツリーを維持している。
  論文  参考訳（メタデータ） (2026-03-10T05:04:28Z)
• SE-Bench: Benchmarking Self-Evolution with Knowledge Internalization [52.635237306338574]
  我々は,NumPyライブラリとそのAPIドキュメントをランダムな識別子を持つ擬似ノーベルパッケージに難読化する診断環境であるSE-Benchを紹介する。 エージェントはこのパッケージを内部化するように訓練され、ドキュメントにアクセスせずに単純なコーディングタスクで評価される。 本研究は,(1)参考資料を用いた学習が保持を阻害するオープンブックパラドックス,(2)知識圧縮を重みに強制する「クローズドブックトレーニング」,(2)標準RLがPPOクリッピングと負の勾配によって新たな知識を完全に内部化するのに失敗するRLギャップ,(3)内部化,証明モデルのためのセルフプレイの実現可能性,の3つの知見を明らかにする。
  論文  参考訳（メタデータ） (2026-02-04T17:58:32Z)
• Agent KB: Leveraging Cross-Domain Experience for Agentic Problem Solving [62.71545696485824]
  我々は,異種エージェントフレームワーク間のシームレスな体験共有を可能にするユニバーサルメモリ基盤であるAgent KBを紹介した。 Agent KBはトラジェクトリを構造化知識ベースに集約し、軽量APIを提供する。 我々は,GAIA,Humanity's Last Exam,GPQA,SWE-benchなどの主要フレームワークにまたがるエージェントを検証した。
  論文  参考訳（メタデータ） (2025-07-08T17:59:22Z)
• From Reproduction to Replication: Evaluating Research Agents with Progressive Code Masking [48.90371827091671]
  AutoExperimentは、AIエージェントの機械学習実験の実装と実行能力を評価するベンチマークである。 我々は最先端のエージェントを評価し、n$が増加するにつれて性能が急速に低下することを発見した。 本研究は、長期コード生成、文脈検索、自律的な実験実行における重要な課題を浮き彫りにした。
  論文  参考訳（メタデータ） (2025-06-24T15:39:20Z)
• Retrieval-Augmented Reinforcement Learning [63.32076191982944]
  過去の経験のデータセットを最適な行動にマップするために、ネットワークをトレーニングします。 検索プロセスは、現在のコンテキストで有用なデータセットから情報を取得するために訓練される。 検索強化R2D2はベースラインR2D2エージェントよりもかなり高速に学習し,より高いスコアを得ることを示す。
  論文  参考訳（メタデータ） (2022-02-17T02:44:05Z)

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。