論文の概要: ResearchStudio-Idea: An Evidence-Grounded Research-Ideation Skill Suite from ML Conference Outcomes
- arxiv url: http://arxiv.org/abs/2607.04439v1
- Date: Sun, 05 Jul 2026 17:59:43 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-07 22:26:29.932141
- Title: ResearchStudio-Idea: An Evidence-Grounded Research-Ideation Skill Suite from ML Conference Outcomes
- Title（参考訳）: ResearchStudio-Idea:MLカンファレンスの成果から得られたエビデンスを包括したリサーチ・イデエーションスキルスイート
- Abstract要約: 我々は、ResearchStudio-Ideaを、この最初の研究アイデアのための再利用可能なスキルスイートとして紹介する。
このスイートには、スタンドアロンのマルチソース文献検索スキルであるPaper-Searchと、新規性主張のためのスタンドアロンの先行技術衝突チェックツールであるScoop-Checkが含まれている。
IdeaSparkは、エビデンスグラウンディング、パターン誘導生成、衝突検索、監査、アイデアカードレンダリングを構成するエンドツーエンドのスキルである。
- 参考スコア（独自算出の注目度）: 34.230808196436676
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Large language models have made research ideation increasingly accessible, yet effective idea development requires more than generating candidate directions. Researchers must ground a problem in current literature, identify meaningful bottlenecks, differentiate from existing solutions, and evaluate risks before committing to implementation. We present ResearchStudio-Idea as a reusable skill suite for this first mile of research ideation. The suite includes Paper-Search, a standalone multi-source literature search skill; Scoop-Check, a standalone prior-art collision checker for novelty claims; and IdeaSpark, the end-to-end skill that composes evidence grounding, pattern-guided generation, collision retrieval, audit, and idea-card rendering into one workflow. IdeaSpark is constructed from a corpus of 1,947 machine learning conference papers collected from ICLR, ICML, and NeurIPS between 2021 and 2025, including Oral papers, a separately tracked high-citation subset, and rejected submissions. Analysis of these outcomes reveals 31 recurring ideation sub-patterns, consolidated into 15 reusable ideation patterns. Each pattern is operationalized as a structured card containing research contexts, bottleneck types, differentiation strategies, supporting precedents, and common failure modes. Given a research problem and an evidence bundle, IdeaSpark evaluates evidence readiness, reconstructs the surrounding research context, identifies unresolved bottlenecks, selects relevant patterns, instantiates one candidate direction, retrieves potentially conflicting prior work, and performs outcome-informed auditing. This workflow transforms reusable ideation patterns into traceable research proposals. Blind automated-judge evaluations show that IdeaSpark consistently produces stronger research proposals than no-skill and generic-skill baselines while maintaining competitive novelty.
- Abstract（参考訳）: 大規模言語モデルは、研究の考えをますますアクセスしやすくするが、効果的なアイデア開発には、候補の方向を生成する以上のものが必要である。
研究者は現在の文献で問題を解き、意味のあるボトルネックを特定し、既存のソリューションと区別し、実装にコミットする前にリスクを評価する必要がある。
我々は、ResearchStudio-Ideaを、この最初の研究アイデアのための再利用可能なスキルスイートとして紹介する。
このスイートには、スタンドアロンのマルチソース文献検索スキルであるPaper-Search、ノベルティクレームのためのスタンドアロンの先行技術衝突チェッカーであるScoop-Check、エビデンスグラウンド、パターン誘導生成、衝突検索、監査、アイデアカードレンダリングをひとつのワークフローに組み込んだエンドツーエンドのスキルであるIdeanSparkが含まれている。
IdeaSparkは、2021年から2025年にかけてICLR、ICML、NeurIPSから収集された1,947の機械学習カンファレンス論文のコーパスから構築されている。
これらの結果から, 再帰的思考サブパターンが31個, 再帰的思考パターンが15個にまとめられた。
各パターンは、研究コンテキスト、ボトルネックタイプ、差別化戦略、前例のサポート、一般的な障害モードを含む構造化カードとして運用される。
研究問題とエビデンスバンドルが与えられたら、IdeaSparkはエビデンスの準備性を評価し、周囲の研究コンテキストを再構築し、未解決のボトルネックを特定し、関連するパターンを選択し、ひとつの候補の方向をインスタンス化し、潜在的に矛盾する事前の作業を取得し、結果をインフォームした監査を行う。
このワークフローは再利用可能なアイデアパターンをトレース可能な研究提案に変換する。
ブラインド自動ジャッジ評価は、IdeaSparkが競争力のあるノベルティを維持しながら、ノベルティとジェネリックスキルのベースラインよりも強力な研究提案を一貫して生み出していることを示している。
関連論文リスト
- Data-Efficient Language Modeling: From Frontier Advancement to Principle-Guided Model Improvement [17.36807692618427]
ケイシはBabyLM 2026 Strict-Small上で、長期にわたるエンドツーエンドの自律的な研究プログラムを実施した。
3つの段階がフロンティアの進歩、原理発見、原則誘導モデルの改善を結び付けた。
論文 参考訳（メタデータ） (2026-09-09T18:00:52Z) - AutoResearch: Insight In, Hallucination Out [18.44583561825209]
本稿では,アイデア生成と理想実行を結合する2段階システムであるAutoResearchを紹介する。
Idea Generationでは、AutoResearchは、新しい研究信号と蓄積されたドメイン知識を継続的に統合する。
Idea Executionでは、調整されたエージェントがこれらの計画を実験に分解し、反復的にそれらを実装し、診断し、独立したエビデンスベースのレビューを採用する。
論文 参考訳（メタデータ） (2026-08-18T15:38:26Z) - Personalized Auto-Research: Towards a True AI Co-Scientist [90.01790420664169]
研究目標を考えると、最先端のシステムは研究者に依存しないままである。
小説、価値、実現可能なものは研究者によって異なる。
本稿では,検索,仮説探索,実験,執筆,レビューを通じて,グラフグラウンドの研究者コンテキストをスレッド化するフレームワークを提案する。
論文 参考訳（メタデータ） (2026-08-14T20:43:27Z) - Integrating Chain-of-Thought into Generative Retrieval: A Preliminary Study [31.167867050243256]
ThinkGRは、チェーン・オブ・シークレットとドシド生成をインターリーブする統合フレームワークであり、単一の生成プロセス内で反復的な思考と検索を可能にする。
4つのマルチホップ検索ベンチマークの実験では、ThinkGRは最先端のパフォーマンスを平均で+6.86%向上した。
論文 参考訳（メタデータ） (2026-05-21T11:48:35Z) - AI for Auto-Research: Roadmap & User Guide [107.0834449839233]
研究ライフサイクル全体にわたってAIをエンドツーエンドに分析する。
我々は、信頼できる援助と信頼できない自律性の間に、鋭くステージに依存した境界を特定できる。
障害モードを排除するのではなく、より大きな自動化が不明瞭であることが示されています。
論文 参考訳（メタデータ） (2026-05-18T17:08:26Z) - AI-Supervisor: Autonomous AI Research Supervision via a Persistent Research World Model [1.14219428942199]
既存の自動研究システムは、ステートレスでリニアなパイプラインとして動作する。
マルチエージェントオーケストレーションフレームワークである textbfAI-Supervisor を提案する。
エージェントは、人間の関心によって駆動されるエンドツーエンドのAI研究の監督を提供する。
論文 参考訳（メタデータ） (2026-03-25T15:16:51Z) - Alien Science: Sampling Coherent but Cognitively Unavailable Research Directions from Idea Atoms [53.907293349123506]
大規模な言語モデルは、しばしば、現在のコミュニティにとって一貫性があり、無関心なアイデアを生み出すのに失敗する。
我々は、このギャップを認知的可用性によって形式化し、研究の方向性が典型的な研究者によって自然に提案される可能性について述べる。
我々は、原子の集合が実行可能な方向を構成するかどうかをスコアするコヒーレンスモデルと、その方向が生成される確率をスコアするアベイラビリティモデルという2つの補完モデルを学ぶ。
論文 参考訳（メタデータ） (2026-03-01T13:05:19Z) - Deep Researcher with Sequential Plan Reflection and Candidates Crossover (Deep Researcher Reflect Evolve) [0.0]
本稿では、複雑なPhDレベルのトピックに関する詳細な研究レポートを作成するために設計された、新しいDeep Researcherアーキテクチャを提案する。
本システムでは,リフレクションによる逐次研究計画修正と候補クロスオーバーアルゴリズムという,2つの重要なイノベーションを活用している。
我々の建築は46.21点を達成し、先進的な深層研究エージェントを超越して優れた性能を示した。
論文 参考訳（メタデータ） (2026-01-28T18:45:39Z) - OpenNovelty: An LLM-powered Agentic System for Verifiable Scholarly Novelty Assessment [63.662126457336534]
OpenNoveltyは、透明で証拠に基づく新規性分析のためのエージェントシステムである。
回収された実論文のすべての評価を根拠にし、検証可能な判断を確実にする。
OpenNoveltyは、公正で一貫性があり、エビデンスに支えられたピアレビューを促進するスケーラブルなツールで、研究コミュニティに力を与えることを目指している。
論文 参考訳（メタデータ） (2026-01-04T15:48:51Z) - Thinking Forward and Backward: Multi-Objective Reinforcement Learning for Retrieval-Augmented Reasoning [137.33138614095435]
Retrieval-augmented Generation (RAG) は、大規模言語モデルにおける幻覚の緩和に有効であることが証明されている。
近年、検索に基づく対話をRAGに組み込んで、リアルタイム検索による反復推論を可能にしている。
提案するBi-RARは,各中間ステップを前方方向と後方方向の両方で共同で評価する,新たな検索拡張推論フレームワークである。
論文 参考訳（メタデータ） (2025-11-12T08:29:39Z) - VAR: Visual Attention Reasoning via Structured Search and Backtracking [49.427842994857635]
構造化された検索としてグラウンドド推論をリキャストするフレームワークであるVisual Attention Reasoningを紹介する。
VARは、推論プロセスを2つの重要な段階に分解する。
我々は、我々の7BモデルであるVAR-7Bが、幻覚と安全性のベンチマークの包括的なスイートに新しい最先端を設定していることを示します。
論文 参考訳（メタデータ） (2025-10-21T13:18:44Z) - Harnessing Large Language Models for Scientific Novelty Detection [49.10608128661251]
科学的ノベルティ検出(ND)のための大規模言語モデル(LLM)を提案する。
そこで本研究では,LLMからアイデアレベルの知識を抽出し,ライトウェイトなレトリバーを訓練することを提案する。
実験の結果,提案手法は,アイデア検索やNDタスクのためのベンチマークデータセットにおいて,常に他よりも優れていた。
論文 参考訳（メタデータ） (2025-05-30T14:08:13Z)
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。