論文の概要: EO-Agents: A Three-Agent LLM Pipeline for Earth Observation Hypothesis Generation

• arxiv url: http://arxiv.org/abs/2607.01584v1
• Date: Thu, 02 Jul 2026 01:31:18 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-03 19:45:08.632883
• Title: EO-Agents: A Three-Agent LLM Pipeline for Earth Observation Hypothesis Generation
• Title（参考訳）: EO-Agents:地球観測仮説生成のための3次元LLMパイプライン
• Abstract要約: 本研究では,NASAの地球観測知識グラフに仮説生成を直接根拠とする仮説生成のためのパイプラインを提案する。 歴史的共用関係に基づいてトレーニングされた異種グラフニューラルネットワークは、候補データセットのペアリングをランク付けし、3エージェントLPMパイプラインフィルタを生成し、構造化された研究仮説を生成し、評価する。 このシステムは、エコヒドロロジー、氷河学、エアロゾル-雲相互作用、植生現象学、成層圏化学など、複数の地球科学領域にまたがる160の仮説を生成する。
• 参考スコア（独自算出の注目度）: 3.2111672799300677
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Large language models have recently been explored for scientific hypothesis generation, but most prior work relies on unstructured literature and free-form textual claims. We present a pipeline for Earth observation that grounds hypothesis generation directly in the NASA Earth Observation Knowledge Graph. A heterogeneous graph neural network trained on historical co-usage relations ranks candidate dataset pairings, and a three-agent LLM pipeline filters, generates, and evaluates structured research hypotheses. Applied to 1,475 NASA datasets, the system produces 160 hypotheses spanning multiple Earth-science domains, including ecohydrology, glaciology, aerosol--cloud interactions, vegetation phenology, and stratospheric chemistry. Model-predicted novel dataset pairings are rated nearly as plausible as held-out real co-usages from the literature, indicating that the pipeline surfaces scientifically coherent yet unexplored combinations. A 2*2*2 factorial experiment across GPT-5.2 and Claude Sonnet 4.6 shows that hypothesis rankings remain stable, while absolute scores depend strongly on judge identity, highlighting limitations of single-judge LLM evaluation.
• Abstract（参考訳）: 大規模言語モデルは近年、科学的仮説生成のために研究されているが、ほとんどの先行研究は構造化されていない文学と自由形式のテキストによる主張に依存している。 我々は、NASAの地球観測知識グラフに仮説生成を直接根拠として、地球観測のためのパイプラインを提示する。 歴史的共用関係に基づいてトレーニングされた異種グラフニューラルネットワークは、候補データセットのペアリングをランク付けし、3エージェントLPMパイプラインフィルタを生成し、構造化された研究仮説を生成し、評価する。 1,475のNASAデータセットに適用されたこのシステムは、エコヒドロロジー、氷河学、エアロゾル-雲相互作用、植生現象学、成層圏化学など、複数の地球科学領域にまたがる160の仮説を生成する。 モデル予測された新しいデータセットのペアリングは、文献から得られた実際のコラージュとほぼ同等の精度で評価され、パイプラインは科学的に一貫性があるが探索されていない組み合わせであることを示している。 GPT-5.2 と Claude Sonnet 4.6 による 2*2*2 の因数分解実験では、仮説のランクは安定であり、絶対スコアは判断のアイデンティティに強く依存し、単一ジャッジ LLM 評価の限界を強調している。

関連論文リスト

• HyGRAIL: Cost-Aware and Evidence-Grounded Scientific Hypothesis Discovery over Knowledge Graphs [27.213223725307106]
  HyGRAILは、グラフニューラルネットワークと仮説レビューを組み合わせたコスト認識フレームワークである。 知識グラフ(KG)からノードレベルアソシエーションとマルチホップリレーショナルパスを検索する。 MatKGでは、HyGRAILが0.429得点を獲得し、最強のベースラインを0.242F1点、GNNのみのベースラインを0.322点に改善した。
  論文  参考訳（メタデータ） (2026-09-02T03:34:21Z)
• 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)
• DN-Hypo-Pipeline: An AI-Driven Workflow for Hypothesis Generation via Large Language Models and Scientific Explanations [17.23290117938231]
  大規模言語モデルに基づくAIワークフローであるDN-Hypo-Pipelineを紹介する。 科学的な説明を先行知識として活用することで、構造化された科学的思考と仮説生成を支援する。 データサイエンスモデリングの分野におけるDN-Hypo-Pipelineの評価を3つの高引用論文を用いて行った。
  論文  参考訳（メタデータ） (2026-06-07T09:26:03Z)
• MOOSE-Chem2: Exploring LLM Limits in Fine-Grained Scientific Hypothesis Discovery via Hierarchical Search [102.11776494401705]
  大規模言語モデル (LLM) は科学的仮説生成の自動化において有望であることを示している。 既存のアプローチは主に、批判的な方法論や実験的な詳細を欠いた粗粒の仮説を導出する。 我々は、科学的仮説発見の新しいタスクを導入し、正式に定義する。
  論文  参考訳（メタデータ） (2025-05-25T16:13:46Z)
• AstroAgents: A Multi-Agent AI for Hypothesis Generation from Mass Spectrometry Data [0.2749898166276853]
  質量分析データから仮説生成のための大規模言語モデルに基づくマルチエージェントAIシステムAstroAgentsを紹介する。 AstroAgentsは、データアナリスト、プランナー、3人のドメインサイエンティスト、アキュミュレータ、文学レビュアー、批評家の8人の協力エージェントで構成されている。 AstroAgentsを評価するために、天文学の専門家は100以上の仮説の新規性と妥当性を評価した。
  論文  参考訳（メタデータ） (2025-03-29T17:58:52Z)
• Causal Representation Learning in Temporal Data via Single-Parent Decoding [66.34294989334728]
  科学的研究はしばしば、システム内の高レベル変数の根底にある因果構造を理解しようとする。 科学者は通常、地理的に分布した温度測定などの低レベルの測定を収集する。 そこで本研究では,単一親の復号化による因果発見法を提案し,その上で下位の潜伏者と因果グラフを同時に学習する。
  論文  参考訳（メタデータ） (2024-10-09T15:57:50Z)
• Smoke and Mirrors in Causal Downstream Tasks [59.90654397037007]
  本稿では, 治療効果推定の因果推論タスクについて検討し, 高次元観察において利害関係が記録されている。 最先端の視覚バックボーンから微調整した6つの480モデルを比較し、サンプリングとモデリングの選択が因果推定の精度に大きく影響することを発見した。 以上の結果から,今後のベンチマークでは,下流の科学的問題,特に因果的な問題について慎重に検討すべきであることが示唆された。
  論文  参考訳（メタデータ） (2024-05-27T13:26:34Z)
• Large Language Models are Zero Shot Hypothesis Proposers [17.612235393984744]
  大規模言語モデル(LLM)は、情報障壁を断ち切ることを約束する、グローバルかつ学際的な知識の豊富なものである。 バイオメディカル文献から背景知識と仮説ペアからなるデータセットを構築した。 ゼロショット, 少数ショット, 微調整設定において, 最上位モデルの仮説生成能力を評価する。
  論文  参考訳（メタデータ） (2023-11-10T10:03:49Z)
• Large Language Models for Automated Open-domain Scientific Hypotheses Discovery [50.40483334131271]
  本研究は,社会科学の学術的仮説発見のための最初のデータセットを提案する。 従来のデータセットとは異なり、新しいデータセットには、(1)オープンドメインデータ(RAW Webコーパス)を観察として使用すること、(2)人間性にさらに新しい仮説を提案することが必要である。 パフォーマンス向上のための3つのフィードバック機構を含む,タスクのためのマルチモジュールフレームワークが開発されている。
  論文  参考訳（メタデータ） (2023-09-06T05:19:41Z)
• SciMON: Scientific Inspiration Machines Optimized for Novelty [68.46036589035539]
  文献に基づく新たな科学的方向を生成するために,ニューラルランゲージモデルを探索し,拡張する。 モデルが入力背景コンテキストとして使用される新しい設定で、劇的な出発をとっています。 本稿では,過去の科学的論文から「吸入」を抽出するモデリングフレームワークであるSciMONを紹介する。
  論文  参考訳（メタデータ） (2023-05-23T17:12:08Z)
• Spatiotemporal modeling of European paleoclimate using doubly sparse Gaussian processes [61.31361524229248]
  計算負担を軽減するため,近年の大規模分散時間GPを構築した。 我々は,古気候の確率モデルを構築するために,この2倍のスパースGPをうまく利用した。
  論文  参考訳（メタデータ） (2022-11-15T14:15:04Z)

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。