論文の概要: Analogical Deep Research: Retrieving and Integrating Historical Analogies for Foresight Analysis
- arxiv url: http://arxiv.org/abs/2607.13602v1
- Date: Wed, 15 Jul 2026 08:49:00 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-16 16:39:12.712427
- Title: Analogical Deep Research: Retrieving and Integrating Historical Analogies for Foresight Analysis
- Title（参考訳）: 分析深層研究 : 展望分析のための歴史的アナロジの検索と統合
- Abstract要約: 本稿では,LLMの歴史的類似点の発見と統合を指導する,Causal Analogical Researcher (CANA) というエージェント・フレームワークを提案する。
CANAは、歴史アナログ生成において最大10%の改善をもたらし、ADRベンチの最先端の研究エージェントを上回っている。
- 参考スコア（独自算出の注目度）: 20.493267933446692
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Systematic comparisons between current situations and structurally similar past events in the historical, i.e., historical analogies, is among the most powerful tools for foresight analysis. In this work, we present a new task called Analogical Deep Research (ADR) to Large Language Model (LLM) agents and construct the first ADR benchmark ADR-bench to study whether LLM agents are able to find and leverage historical analogies when doing foresight analysis. Our investigation reveals a key obstacle: LLM agents are poor at finding analogies because they match on surface features rather than underlying mechanisms. We argue that ADR is inherently a causal question as it requires understanding why the event occurred. Based on our theoretical analysis, we propose two principles required for ADR, including the mechanism alignment and cross-analogy confirmation. Built upon our theoretical results, we propose a new agentic framework called Causal Analogical Researcher (CANA) that guides LLMs to find and integrate historical analogies. CANA incorporates a simple yet effective structural decomposition representation, and integrates structural feedback for reflective improvements of historical analogy identification and integration. We show that CANA brings up to 10% improvements in historical analogy generation, and surpasses the state-of-the-art deep research agents in the ADR-bench. Case studies with the ongoing events confirm the effectiveness of CANA in leveraging historical analogies.
- Abstract（参考訳）: 歴史的類推(歴史的類推)における現在の状況と構造的に類似した過去の出来事の体系的比較は、フォレスト分析の最も強力なツールの一つである。
本研究では,ADR(Analogical Deep Research)と呼ばれるタスクをLarge Language Model (LLM)エージェントに提示し,ALMエージェントがフォアフォアフォアフォアフォアフォアフォアフォアフォアフォア分析を行う際に,歴史的類推を見つけ,活用できるかどうかを調べるために,最初のADRベンチマークADRベンチを構築する。
LLMエージェントは、基礎となるメカニズムではなく表面の特徴にマッチするため、類似点を見つけるのが苦手である。
我々は、ADRは本質的に因果関係の問題であり、なぜその出来事が起こったのかを理解する必要があると論じる。
理論分析に基づき, 機構アライメントとクロスアナロジーの確認を含む, ADRに必要な2つの原則を提案する。
理論的な結果に基づいて,LLMの歴史的類似点の発見と統合をガイドするCausal Analogical Researcher (CANA) という新しいエージェント・フレームワークを提案する。
CANAは、シンプルだが効果的な構造的分解表現を取り入れ、歴史的類似の識別と統合の反射的改善のために構造的フィードバックを統合する。
我々は,CANAが歴史アナログ生成の10%改善をもたらし,ADRベンチにおける最先端の深層研究エージェントを上回っていることを示す。
進行中の出来事に関する事例研究は、歴史的類推の活用におけるCANAの有効性を裏付けるものである。
関連論文リスト
- Consistency Is Not Always Correct: Towards Understanding the Role of Exploration in Post-Training Reasoning [75.79451512757844]
基礎モデルは幅広い知識を示すが、タスク固有の推論は限定的である。
RLVRと推論スケーリングは、RLVRや推論スケーリングのようなトレーニング後の戦略を動機付けます。
RLVRはスキューズ効果を誘発し,推論エントロピーを減少させ,正しい経路を忘れることを示した。
論文 参考訳（メタデータ） (2025-11-10T18:25:26Z) - 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) - WebWeaver: Structuring Web-Scale Evidence with Dynamic Outlines for Open-Ended Deep Research [73.58638285105971]
本稿では,AIエージェントが膨大なWebスケール情報を洞察に富むレポートに合成しなければならない複雑な課題であるtextbfopen-ended Deep Research (OEDR) に取り組む。
人間の研究プロセスをエミュレートする新しいデュアルエージェントフレームワークである textbfWebWeaver を紹介する。
私たちのフレームワークは、DeepResearch Bench、DeepConsult、DeepResearchGymなど、主要なOEDRベンチマークにまたがる最先端の新たなベンチマークを確立しています。
論文 参考訳（メタデータ） (2025-09-16T17:57:21Z) - Modeling Understanding of Story-Based Analogies Using Large Language Models [1.4999444543328293]
大規模言語モデルの最近の進歩は、様々なタスクにおける人間の認識のマッチングに近づきつつある。
これらのモデルは、アナログの検出とマッピングにおいて、人間のパフォーマンスとどの程度うまく一致しますか?
論文 参考訳（メタデータ） (2025-07-15T03:40:21Z) - Towards Agentic RAG with Deep Reasoning: A Survey of RAG-Reasoning Systems in LLMs [69.10441885629787]
Retrieval-Augmented Generation (RAG) は、外部知識を注入することによって、Large Language Models (LLM) の事実性を高める。
逆に、純粋に推論指向のアプローチは、しばしば幻覚的あるいは誤った事実を必要とする。
この調査は両鎖を統一的推論-検索の観点から合成する。
論文 参考訳（メタデータ） (2025-07-13T03:29:41Z) - Can LLMs Help Improve Analogical Reasoning For Strategic Decisions? Experimental Evidence from Humans and GPT-4 [0.0]
本研究では,大規模言語モデル,特にGPT4が,類推的推論において人間の能力と一致するかどうかを検討する。
ターゲットマッチングのためのソースを含む新しい実験設計を用いて、GPT4は、すべてのプラウチブルなアナロジーを検索することで高いリコールを達成するが、精度は低い。
人間の被験者は高精度だが低いリコールを示し、因果関係の強い類似性は少ない。
論文 参考訳（メタデータ） (2025-05-01T15:35:01Z) - Failure Modes of LLMs for Causal Reasoning on Narratives [51.19592551510628]
世界の知識と論理的推論の相互作用について検討する。
最先端の大規模言語モデル(LLM)は、しばしば表面的な一般化に依存している。
タスクの単純な再構成により、より堅牢な推論行動が引き起こされることを示す。
論文 参考訳（メタデータ） (2024-10-31T12:48:58Z) - Past Meets Present: Creating Historical Analogy with Large Language Models [46.57886941642625]
本稿では,あるイベントに類推された過去の出来事を収集することを目的とした,歴史的類推獲得タスクに焦点を当てる。
LLMが歴史的類推を生成する際に,幻覚やステレオタイプを緩和する自己回帰法を提案する。
論文 参考訳（メタデータ） (2024-09-23T08:52:09Z) - StoryAnalogy: Deriving Story-level Analogies from Large Language Models
to Unlock Analogical Understanding [72.38872974837462]
大規模ストーリーレベルの類似語コーパスを構築することにより,類似語を識別・生成する能力を評価する。
textscStory Analogyには、さまざまなドメインから24Kストーリーペアが含まれており、拡張された構造マッピング理論の2つの類似点に人間のアノテーションがある。
我々は、textscStory Analogyのデータは、大言語モデルにおけるアナログ生成の品質を向上させることができることを観察した。
論文 参考訳（メタデータ） (2023-10-19T16:29:23Z) - ARN: Analogical Reasoning on Narratives [13.707344123755126]
我々は、物語要素を用いて表面マッピングとシステムマッピングを作成する、アナロジーの支配的理論を運用するフレームワークを開発する。
すべてのLLMがほぼ類似点を認識できるが、最大でもゼロショット環境では極端に類似点に苦戦している。
論文 参考訳（メタデータ） (2023-10-02T08:58:29Z) - Full-Text Argumentation Mining on Scientific Publications [3.8754200816873787]
フルテキストSAMに対してADURとAREを組み合わせた逐次パイプラインモデルを提案する。
両サブタスクにおける事前学習言語モデル(PLM)の性能について,最初の解析を行った。
本稿では,非連続型ADUと談話コネクタの解釈が重要な課題であることを示す。
論文 参考訳（メタデータ） (2022-10-24T10:05:30Z)
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。