論文の概要: Diversifying Personalized Research Ideation against AI-Induced Homogenization

• arxiv url: http://arxiv.org/abs/2607.28087v1
• Date: Thu, 30 Jul 2026 11:54:31 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-31 21:37:00.546197
• Title: Diversifying Personalized Research Ideation against AI-Induced Homogenization
• Title（参考訳）: AIによる均質化に対するパーソナライズされた研究思想の多様化
• Authors: Rui Xu, Yunke Wang, Linwei Tao, Wenjie Xuan, Yong Luo,
• Abstract要約: DivAlignは、AI支援研究思想の整列保存脱均質化のためのパイプラインである。 候補方向を生成し、3つのアライメント次元(実行可能性、理解可能性、成長可能性)に沿ってスコアし、研究者のローカルな方向を表面化する。 独立したトップチョイスの変種と比較すると、DivAlignは最寄りの類似点を0.663から0.608に減らし、研究者指向の適合点の99.9%を維持している。
• 参考スコア（独自算出の注目度）: 24.307073012364274
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: AI-assisted research ideation has emerged as a promising paradigm for accelerating scientific discovery, with systems now capable of generating research directions conditioned on papers, topics, or lightweight researcher contexts. Yet current systems largely optimize individual suggestions in isolation. This leaves two blind spots. First, coarse researcher representations may elicit mainstream directions that appear broadly feasible, but lack sufficient researcher-specific grounding. Second, independent recommendations can concentrate a community's portfolio around recurring high-probability themes. To address these blind spots, we propose DivAlign, a four-stage pipeline for alignment-preserving de-homogenization. DivAlign extracts fine-grained researcher profiles, generates profile-conditioned candidate directions, scores them along three alignment dimensions (Executability, Comprehensibility, and Growth Potential), and surfaces researcher-local directions while reducing redundancy across the community portfolio. On a benchmark we construct from 95 AI researchers across five subfields, DivAlign reduces community-level redundancy while preserving researcher-direction fit. Compared with coarse single-shot ideation, it lowers average pairwise similarity from 0.331 to 0.294 and nearest-neighbor similarity from 0.704 to 0.608. Compared with the independent top-choice variant, DivAlign reduces nearest-neighbor similarity from 0.663 to 0.608 while retaining 99.9% of the researcher-direction fit score. Code and data are available at https://github.com/Ruixxxx/DivAlign.
• Abstract（参考訳）: AIによる研究のアイデアは、科学発見を加速するための有望なパラダイムとして浮上し、論文やトピック、軽量な研究者のコンテキストに規定された研究方向を生成することができるようになった。 しかし、現在のシステムは個々の提案を独立して最適化している。 盲点が2つある。 まず、粗い研究者の表現は、広く実現可能であるように見えるが、研究者固有の基盤が不十分な主流の方向を引き出す可能性がある。 第二に、独立したレコメンデーションは、コミュニティのポートフォリオを高確率のテーマの繰り返しに集中させることができます。 これらの盲点に対処するため、アライメント保存脱均質化のための4段階パイプラインであるDivAlignを提案する。 DivAlignは、詳細な研究者プロファイルを抽出し、プロファイル条件付き候補方向を生成し、これらを3つのアライメント次元(実行可能性、理解可能性、成長可能性)に沿ってスコアし、コミュニティポートフォリオ全体の冗長性を低減しつつ、研究者のローカルな方向性を明らかにする。 ベンチマークでは、5つのサブフィールドにわたる95人のAI研究者から構築し、DivAlignは研究者指向の適合を維持しながら、コミュニティレベルの冗長性を低減します。 粗い単発のアイデアと比較すると、平均対の類似度は0.331から0.294に、近辺の類似度は0.704から0.608に低下する。 独立したトップチョイスの変種と比較すると、DivAlignは最寄りの類似点を0.663から0.608に減らし、研究者指向の適合点の99.9%を維持している。 コードとデータはhttps://github.com/Ruixxxx/DivAlign.comで公開されている。

関連論文リスト

• Science Earth: Towards A Planet-Scale Operating System for AI-Native Scientific Discovery [51.70607714288616]
  サイエンスアース(Science Earth)は、惑星規模の科学ランタイムで、あらゆる能力が他のものと接続できる。 その基盤となるEACNプロトコルは、機能を相互に発見し、タスクのオーナシップを交渉し、互換性のない明示的な標準を越えて判断することを可能にする。 2つの実行は、構造的に異なる条件下でこれを検証します。
  論文  参考訳（メタデータ） (2026-05-31T16:05:41Z)
• SoundnessBench: Can Your AI Scientist Really Tell Good Research Ideas from Bad Ones? [51.154921661608675]
  我々は、ICLRの投稿から再構成された1,099の機械学習研究提案のキュレートされたベンチマークであるSoundnessBenchを紹介する。 SoundnessBenchは、完全なレビュー結果の正確な予測よりも、復元可能な提案段階の音質のベンチマークとして解釈されるべきである。
  論文  参考訳（メタデータ） (2026-05-28T17:57:37Z)
• Beyond Thinking: Imagining in 360$^\circ$ for Humanoid Visual Search [50.04233606482412]
  Humanoid Visual Search (HVS)では、エージェントが没入型360$circ$環境を積極的に探索する必要がある。 Imagining in 360$circ$, a novel framework that decouples the exploration process into a special Imaginator and an Actor。 本研究では,意味空間の先行を明示的にモデル化することで,複雑な環境下での探索効率と成功率を大幅に向上させることを示す。
  論文  参考訳（メタデータ） (2026-05-09T20:10:53Z)
• Greedy Is a Strong Default: Agents as Iterative Optimizers [0.22843885788439797]
  ランダムな提案生成装置をLCMエージェントに置き換え、評価診断を理由として情報付き候補を提案する。 離散的,混合的,連続的な検索空間にまたがる4つのタスクを評価する。
  論文  参考訳（メタデータ） (2026-03-28T21:26:40Z)
• Aligning to Illusions: Choice Blindness in Human and AI Feedback [2.912535004465788]
  人間の選択失明研究では、過度にスワップされた好みの91%が発見されず、選択失明は不慣れなテキストの第三者による評価比較にまで及ぶ。 検出は、真の自己監視ではなく、浅いテキストマッチングに依存している。 2つのアーキテクチャにわたる線量応答実験では、報奨信号が半減する前にラベルの6分の1から3分の1を破損させなければならない。 Best-of-N評価では、これは下流の政策劣化につながると確認されている。
  論文  参考訳（メタデータ） (2026-03-09T14:10:36Z)
• IterResearch: Rethinking Long-Horizon Agents via Markovian State Reconstruction [107.49922328855025]
  IterResearchは、マルコフ決定過程として長期研究を再構築する、新しい反復的深層研究パラダイムである。 6つのベンチマークで平均+14.5ppの既存のオープンソースエージェントよりも大幅に改善されている。 これは効果的なプロンプト戦略として機能し、ロングホライゾンタスクにおけるReActよりも19.2ppのフロンティアモデルを改善する。
  論文  参考訳（メタデータ） (2025-11-10T17:30:08Z)
• Adaptive Monitoring and Real-World Evaluation of Agentic AI Systems [3.215065407261898]
  大規模言語モデルと外部ツールを組み合わせたマルチエージェントシステムは、研究機関からハイテイクドメインへと急速に移行している。 この「先進的な」続編は、アルゴリズムのインスタンス化や経験的な証拠を提供することで、そのギャップを埋める。 AMDMは擬似ゴールドリフトで異常検出遅延を12.3秒から5.6秒に減らし、偽陽性率を4.5%から0.9%に下げる。
  論文  参考訳（メタデータ） (2025-08-28T15:52:49Z)
• AffineGlue: Joint Matching and Robust Estimation [74.04609046690913]
  AffineGlue, 連立2視点特徴マッチングとロバストな推定法を提案する。 AffineGlueは、最小限のモデルを推定するために、1対多の対応から潜在的なマッチを選択する。 ガイドマッチングはモデルと一致した一致を見つけるために使用され、1対1の一致の曖昧さに悩まされる。
  論文  参考訳（メタデータ） (2023-07-28T08:05:36Z)
• Weakly Supervised Generative Network for Multiple 3D Human Pose Hypotheses [74.48263583706712]
  単一画像からの3次元ポーズ推定は、欠落した深さのあいまいさに起因する逆問題である。 逆問題に対処するために,弱い教師付き深層生成ネットワークを提案する。
  論文  参考訳（メタデータ） (2020-08-13T09:26:01Z)

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。