論文の概要: IDEAgent: Agentic Quality-Diversity Search for Research Idea Generation
- arxiv url: http://arxiv.org/abs/2607.22375v1
- Date: Fri, 24 Jul 2026 15:03:14 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-27 20:58:57.158803
- Title: IDEAgent: Agentic Quality-Diversity Search for Research Idea Generation
- Title（参考訳）: IDEAgent:研究アイデア生成のためのエージェント品質多様性検索
- Abstract要約: 研究思想は両目的の連携として扱われ,品質多様性(QD)探索の枠組みとして扱われるべきである,と我々は主張する。
我々は,多目的フィードバックを用いて共同で品質を駆動し,軽量なシーケンシャルメモリによって多様性を実現する。
IDEAgentは,8倍以上のトピックで非ゼロのYieldを達成しながら,Yieldの3.89倍のベースラインを達成している。
- 参考スコア（独自算出の注目度）: 43.08002957114291
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Large Language Models (LLMs) have significantly automated the process of scientific discovery over the past few years. However, existing systems share one core limitation: they generate and optimize ideas independently for either Quality or Diversity. This often leads to the generation of ideas in close proximity to one another or to a large set of trivial, unsound, or unclear concepts. In this work, we instead argue that research ideation should be treated as a conjunction of both objectives and framed as a Quality-Diversity (QD) search. In line with this perspective, we introduce IDEAgent, a multi-agent framework that manages the evolution of ideas through lineages. We jointly drive Quality using multi-objective feedback for dedicated repair and refinement, while Diversity is achieved through lightweight sequential memory and explicit comparison against completed ideas, their historical ancestors, and rejected proposals. To systematically evaluate this QD conjunction, we develop Yield, a joint metric that computes the largest set of mutually diverse ideas that satisfy a predetermined quality threshold. Finally, through evaluations across 32 topics spanning 8 domains of Computer Science, we show that IDEAgent outperforms the best baseline by 3.89x on Yield, while achieving non-zero Yield on 8x more topics. We further corroborate these findings through an analysis of quality improvements, showing that repair and refinement are crucial for building logical rigor and clarity while preserving non-obviousness. To encourage future research on QD-search-based ideation, we open-source IDEAgent at https://github.com/declare-lab/IDEAgent.
- Abstract（参考訳）: 大規模言語モデル(LLM)は、過去数年間で科学的発見のプロセスを著しく自動化してきた。
しかし、既存のシステムは1つの中核的な制限を共有している。
これはしばしば、互いに近接したアイデアや、自明で不明瞭な、あるいは不明瞭な概念の集合を生み出す。
本研究では,研究思想は両目的の連携として扱うべきであり,品質多様性(QD)探索の枠組みとして扱うべきであると論じる。
この観点から、系統を通してアイデアの進化を管理するマルチエージェントフレームワークであるIDEAgentを紹介します。
我々は,多目的フィードバックを用いて共同で品質を駆動し,軽量なシーケンシャルメモリと,完成したアイデアと過去の祖先との明示的な比較によって多様性を実現し,提案を拒否する。
このQD結合を体系的に評価するために、所定の品質閾値を満たす相互に多様なアイデアの最大の集合を計算するジョイントメトリックであるYieldを開発する。
最後に、コンピュータサイエンスの8つの領域にまたがる32のトピックに対する評価を通じて、IDEAgentは、Yieldで3.89倍、非ゼロのYieldでは8倍、最高のベースラインを上回ります。
我々は, これらの知見を品質改善の分析を通じて裏付けるとともに, 不確実性を維持しつつ, 論理的厳密さと明快さを構築するためには, 修復と改良が不可欠であることを示す。
QD-searchベースのアイデアに関する今後の研究を促進するため、私たちはIDEAgentをhttps://github.com/declare-lab/IDEAgent.comでオープンソース化しました。
関連論文リスト
- Heuresis: Search Strategies for Autonomous AI Research Agents Across Quality, Diversity and Novelty [39.97857268041792]
Heuresisは、研究パイプラインを汎用的で構成可能なプリミティブのセットに抽象化するフレームワークである。
全く新しいアイデアは稀である。得点したアイデアは「オリジナル(Original)」と評価され、前作と比べて「マイナーな類似性(Minor similarity)」しか達成できない。
論文 参考訳（メタデータ） (2026-06-23T21:44:08Z) - Agent-as-Peer-Debriefer: A Multi-Agent Framework with Perspective-Based Refinement for Qualitative Analysis [7.023354761776525]
本稿では,マルチエージェントQDAフレームワークであるAgent-as-Peer-Debrieferを提案する。
我々のフレームワークでは、階層的コーディングエージェントが標準的なQDAプロセスに従ってコード、サブテーマ、テーマを生成します。
これらの視点は、ドメインとデータセットをまたいで一般化する確立された人間のQDAプラクティスから導かれる。
論文 参考訳（メタデータ） (2026-05-23T14:30:42Z) - CoSearch: Joint Training of Reasoning and Document Ranking via Reinforcement Learning for Agentic Search [51.911048955965136]
CoSearchは多段階推論エージェントと生成ドキュメントランキングモデルを共同でトレーニングするフレームワークである。
この結果から, 推論エージェントと検索システムの協調訓練は, 実現可能であり, 性能も高いことが示唆された。
論文 参考訳（メタデータ） (2026-04-19T17:48:17Z) - BeyondSWE: Can Current Code Agent Survive Beyond Single-Repo Bug Fixing? [61.247730037229815]
BeyondSWEは2つの軸 – 解像度スコープと知識スコープ – に沿って既存の評価を拡張する包括的なベンチマークです。
外部知識の役割を解明するために,ディープ検索とコーディング能力を統合するフレームワークであるSearchSWEを開発した。
この作業は、現実的で挑戦的な評価ベンチマークと、より有能なコードエージェントに向けた研究を進めるための柔軟なフレームワークの両方を提供する。
論文 参考訳（メタデータ） (2026-03-03T17:52:01Z) - DIVERGE: Diversity-Enhanced RAG for Open-Ended Information Seeking [10.970797088560323]
本稿では,新しいリフレクション誘導生成とメモリ拡張反復改善機能を備えたプラグアンドプレイエージェントRAGフレームワークを提案する。
我々は,DIVERGEが競争基準よりも優れた多様性と品質のトレードオフを達成できることを実証した。
論文 参考訳（メタデータ） (2026-01-30T19:03:11Z) - InnoGym: Benchmarking the Innovation Potential of AI Agents [74.64144272881414]
InnoGymはAIエージェントのイノベーションの可能性を評価するために設計された最初のベンチマークである。
InnoGym氏は2つの相補的なメトリクスを紹介している。パフォーマンスゲイン(パフォーマンスゲイン)と、従来のアプローチと方法論的な違いを捉えるノベルティ(ノベルティ)だ。
論文 参考訳（メタデータ） (2025-12-01T16:03:04Z) - Beyond Brainstorming: What Drives High-Quality Scientific Ideas? Lessons from Multi-Agent Collaboration [59.41889496960302]
本稿では,構造化マルチエージェントの議論が独創的思考を超えうるかどうかを考察する。
研究提案を作成するための協調型マルチエージェントフレームワークを提案する。
エージェントベースのスコアリングと,新規性,戦略的ビジョン,統合深度といった領域にわたるヒューマンレビューを備えた包括的プロトコルを採用している。
論文 参考訳（メタデータ） (2025-08-06T15:59:18Z) - Towards Rationality in Language and Multimodal Agents: A Survey [23.451887560567602]
この研究は、より合理的な言語とマルチモーダルエージェントを構築する方法について議論する。
合理性は理性によって導かれる性質であり、証拠や論理原理と整合した意思決定によって特徴づけられる。
論文 参考訳（メタデータ） (2024-06-01T01:17:25Z) - Large Language Models as In-context AI Generators for Quality-Diversity [8.585387103144825]
In-context QDは、QDアーカイブから品質の異なる例をコンテキストとして、少数ショットと多ショットのプロンプトを使って興味深いソリューションを生成することを目的としている。
In-context QD display promising results than both QD baselines and similar strategy developed for single-jective optimization。
論文 参考訳（メタデータ） (2024-04-24T10:35:36Z) - MAgIC: Investigation of Large Language Model Powered Multi-Agent in Cognition, Adaptability, Rationality and Collaboration [98.18244218156492]
大規模言語モデル(LLM)は、非常に高度な自然言語処理を持つ。
アプリケーションがマルチエージェント環境に拡大するにつれて、包括的な評価フレームワークの必要性が生じる。
この研究は、マルチエージェント設定内でLLMを評価するための新しい競合ベースのベンチマークフレームワークを導入している。
論文 参考訳（メタデータ） (2023-11-14T21:46:27Z)
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。