論文の概要: BayesEvolve: Explicit Belief States for Autonomous Scientific Discovery

• arxiv url: http://arxiv.org/abs/2606.30335v1
• Date: Mon, 29 Jun 2026 14:14:33 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-30 18:07:16.261169
• Title: BayesEvolve: Explicit Belief States for Autonomous Scientific Discovery
• Title（参考訳）: BayesEvolve: 自律的な科学的発見のための明確な信念
• Abstract要約: BayesEvolveは、実験的な証拠を予測的な信念状態に変換する、信念に基づく発見フレームワークである。 その結果,BayesEvolveは非焦点探索よりも生産的な後期集中度を示すことがわかった。
• 参考スコア（独自算出の注目度）: 10.04049356690421
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Autonomous scientific discovery systems increasingly use large language models (LLMs) to propose new hypotheses, but many such systems condition primarily on experimental memory: archives of high-scoring candidates or heuristic summaries of recent trials. We argue that discovery agents should instead maintain explicit, uncertainty-aware beliefs about hypothesis quality. We introduce BayesEvolve, a belief-guided discovery framework that converts experimental evidence into a predictive belief state and uses this belief to guide future experimentation. As a controlled testbed for belief-guided discovery, we evaluate BayesEvolve on shifted BBOB-style black-box optimization tasks, leaving program and laboratory discovery domains to future work. BayesEvolve improves sample efficiency over memory- and archive-guided LLM baselines under a fixed evaluation budget. We further show that the belief state is predictive on held-out candidate pools, that controlled decision-rule ablations favor belief-guided selection with an annealed uncertainty bonus, and that BayesEvolve exhibits productive late-stage concentration rather than unfocused exploration.
• Abstract（参考訳）: 自律的な科学的発見システムは、新しい仮説を提案するために大きな言語モデル(LLM)をますます利用しているが、そのようなシステムの多くは、主に実験的な記憶を前提としており、高次の候補のアーカイブや最近の臨床試験のヒューリスティックな要約である。 発見エージェントは、仮説の質に関する明示的で不確実性を意識した信念を維持すべきである、と我々は主張する。 実験的証拠を予測的信念状態に変換し,この信念を用いて将来の実験を導く,信念誘導型発見フレームワークであるBayesEvolveを紹介する。 そこで我々は,BBOB方式のブラックボックス最適化タスクをBayesEvolveで評価し,プログラムと実験室の発見領域を今後の作業に委ねた。 BayesEvolveは、メモリおよびアーカイブ誘導LDMベースラインのサンプル効率を、一定の評価予算の下で改善する。 さらに,決定ルールの廃止は不確実性ボーナスによる信念誘導の選択を優先するものであり,ベイズEvolveは非集中的な調査よりも生産的な後期段階の集中度を示すことが示唆された。

関連論文リスト

• EvoSCM: Scientific Belief Revision Through Causal Model Evolution and Experimentation [68.80901568810616]
  EvoSCMは、新しい証拠が収集されるにつれて進化する明確な構造因果モデルを持つ科学エージェントを装備することを目的としている。 EvoSCM onPhysicsはエージェントが実験を通して非標準物理世界の隠れたダイナミクスを明らかにするのに必要なベンチマークである。
  論文  参考訳（メタデータ） (2026-09-01T16:55:56Z)
• Before the Action: Benchmarking LLMs on Prospective Hypothesis Discovery [95.44432473367836]
  大規模言語モデル(LLM)は、事前に特定された質問に答える能力に優れるが、未解決の未解決段階をナビゲートする能力はほとんど測定されていない。 仮説探索(PHD)を導入し,不確定な証拠から,仮説空間を自律的に構築することをモデルに求める。 本稿では,6つの科学的・分析的領域にわたる988ケースのベンチマークであるHypoArenaと,オープンエンド仮説セットの評価フレームワークであるHypoEvalを紹介する。
  論文  参考訳（メタデータ） (2026-07-17T08:56:43Z)
• BayesBench: Evaluating LLM Belief Trajectories Under Multi-Turn Evidence Accumulation [20.375742002723765]
  大規模言語モデル(LLM)は通常、マルチターン会話にデプロイされる。 LLMの信念の更新は、マルチターン設定における合理的ベイズ論理の更新とどの程度密接に一致しているかを問う。 ベイズベンチ(BayesBench)は3つの複雑なタスクにまたがってこれを探索するシミュレーション環境である。
  論文  参考訳（メタデータ） (2026-06-29T19:30:32Z)
• Evidence-Informed LLM Beliefs for Continual Scientific Discovery [66.36520571709482]
  本稿では,元来の探索手順に対して,信念更新フィルタリングと多様性の2つの相補的な変更を導入する。 従来の発見よりも埋込みベースの検索強化世代は、最終的な後部を最も予測し、37.5%の静的仮定を刺激的であると同定する。 そして、これらの急激な報酬を避けるために検索を修正し、非定常的信念の下では驚くべき仮説を優先順位付けします。
  論文  参考訳（メタデータ） (2026-06-28T04:06:12Z)
• 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)
• 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)
• Differentially private Bayesian tests [1.3127313002783776]
  本稿では,原理的データ生成機構の下で自然に発生する,偏微分プライベートなベイズ仮説テストフレームワークを提案する。 広く使われているテスト統計に基づいて、偏ってプライベートなベイズ因子に着目し、完全なデータ生成機構をモデル化する必要性を回避する。
  論文  参考訳（メタデータ） (2024-01-27T21:07:11Z)
• Towards Futuristic Autonomous Experimentation--A Surprise-Reacting Sequential Experiment Policy [7.485913259227432]
  製造における自律的な実験プラットフォームは、それ自体で適切な製造条件のシーケンシャルな探索や、人間の介入を最小限に抑えた新しい材料発見を行うことができると考えられている。 このようなプラットフォームのインテリジェントな制御の中核は、これまで何をしてきたかに基づいて、次の実験の実施場所を決定する政策である。 我々は、過去の観測と関連する驚きの要素と度合いを計測することで、搾取と探検のトレードオフが有益かどうかを論じる。
  論文  参考訳（メタデータ） (2021-12-01T16:14:49Z)

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。