論文の概要: TCA-SIR: Learning Target-Conditioned Abstractions for Scientific Inspiration Retrieval

• arxiv url: http://arxiv.org/abs/2607.28498v1
• Date: Thu, 30 Jul 2026 16:43:03 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-31 21:37:00.668373
• Title: TCA-SIR: Learning Target-Conditioned Abstractions for Scientific Inspiration Retrieval
• Title（参考訳）: TCA-SIR: 科学的吸気検索のための目標条件付き抽象化学習
• Abstract要約: 本稿では、ターゲット条件付き抽象化を学習し、その表現を用いて転送可能性を予測するTCA-SIRを提案する。 ResearchBenchでは、TA-SIRが従来のSIR法と直接LLM検索を上回り、MOOSE-ChemよりもHitRate@top4%改善した。
• 参考スコア（独自算出の注目度）: 1.9480051045857554
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Scientific hypothesis generation for AI for Science typically involves Scientific Inspiration Retrieval (SIR) followed by hypothesis composition. Existing SIR methods rank papers by topical similarity and do not explicitly represent how a candidate inspiration transfers to a target problem. This is especially limiting for remote inspirations, whose value often lies in reusable problem-solving principles rather than topical overlap. Motivated by how humans abstract transferable aspects of a source and remap them to a new target, we reformulate SIR as target-conditioned abstraction (TCA). The retrieval object is a transferable abstract principle extracted from a candidate specifically for the target. We present TCA-SIR, which learns to generate target-conditioned abstractions and uses their representations to predict transferability. On ResearchBench, TCA-SIR outperforms prior SIR methods and direct LLM retrieval, improving HitRate@top4% over MOOSE-Chem by more than 10 percentage points. Learned abstractions also recover target-relevant mechanisms more clearly than an untrained TCA prompt, yielding both stronger retrieval and an interpretable rationale for scientific inspiration.
• Abstract（参考訳）: AI for Scienceの科学的仮説生成には、一般的にSIR(Scientific Inspiration Retrieval)と仮説合成が含まれる。 既存のSIR手法では、論文をトピック的類似度でランク付けし、候補がターゲット問題にどのように移行するかを明確に示していない。 特にリモートインスピレーションには制限がありますが、その価値はトピックの重複ではなく、再利用可能な問題解決の原則にあります。 そこで我々は,SIRをターゲット条件抽象化(TCA)として再構成した。 検索対象は、ターゲット専用候補から抽出された伝達可能な抽象原理である。 本稿では,ターゲット条件付き抽象化を学習し,その表現を用いて転送可能性を予測するTCA-SIRを提案する。 ResearchBenchでは、TA-SIRが従来のSIR法と直接LLM検索を上回り、MOOSE-ChemよりもHitRate@top4%改善した。 学習された抽象化はまた、訓練されていないTCAプロンプトよりも明確な目標関連メカニズムを回復し、科学的インスピレーションのためのより強力な検索と解釈可能な理性をもたらす。

関連論文リスト

• RATIO: A Benchmark for Retrieval Across Typed Ideation Operations in Scientific Literature [7.529978082645584]
  RATIOは3つの操作で関連性を定義する大規模なベンチマークである。 RATIOはCS文学にまたがる数百万のフルテキスト科学論文から構築されている。
  論文  参考訳（メタデータ） (2026-08-27T17:24:58Z)
• SPEAR: Distilling Domain-Adaptive Reasoning Skeletons via Sequential Symbolic Alignment in Reinforcement Learning [7.049218752607406]
  SPEARは、シークエンスレベルのオンライン蒸留のための訓練不要でプラグアンドプレイなプロセス報酬法である。 より密集した順序対応の報酬信号を提供し、外部のニューラルネットワーク検証を必要とせずに論理的一貫性を強制する。 数学、科学、コモンセンス推論タスクにわたる実験により、SPEARは学生モデルと教師モデルの間の推論ギャップを効果的に橋渡しすることを示した。
  論文  参考訳（メタデータ） (2026-08-27T02:41:29Z)
• Training AI Scientists to Replicate Research [8.913339899077362]
  紙複製のためのスケーラブルなタスクスペースであるReplicaを開発した。 本稿では,低騒音で再現性評価に適合する自動生成ルーリック判定手法を提案する。
  論文  参考訳（メタデータ） (2026-08-13T14:59:27Z)
• ThoughtFold: Folding Reasoning Chains via Introspective Preference Learning [69.64972562984882]
  提案するThoughtFoldは,よりきめ細かい選好学習を,効率的な推論のための冗長探索に活用するフレームワークである。 ThoughtFoldは効率を大幅に向上させる。 最先端の精度を維持しつつ、DeepSeek-R1-Distill-Qwen-7Bのトークン使用量を約56%削減する。
  論文  参考訳（メタデータ） (2026-06-02T11:21:27Z)
• RE-TRAC: REcursive TRAjectory Compression for Deep Search Agents [144.5598958575922]
  Re-TRACはクロス軌道探索を行うエージェントフレームワークである。 Re-TRAC は BrowseComp とフロンティア LLM で連続して ReAct を 15-20% 上回っていることを示す。
  論文  参考訳（メタデータ） (2026-02-02T18:58:07Z)
• DeepEra: A Deep Evidence Reranking Agent for Scientific Retrieval-Augmented Generated Question Answering [28.427433335623217]
  ステップバイステップ推論を統合したディープエビデンス評価エージェント(DeepEra)を提案する。 この研究は、2段階のRAGフレームワークにおいて、無視できないSSLI問題を包括的に研究し、実証的に検証した初めてのものである。
  論文  参考訳（メタデータ） (2026-01-23T06:19:08Z)
• CoT-Evo: Evolutionary Distillation of Chain-of-Thought for Scientific Reasoning [63.44477226386808]
  先進的な大規模言語モデル(LLM)からのCoT蒸留は、一般的な推論タスクにおいて有効であることが証明されている。 しかし、先進的なモデルでさえ、誤った、あるいは表面的な推論をしばしば生み出す科学領域では苦戦している。 この問題を解決するために, 進化的CoT蒸留フレームワークであるCoT-Evoを提案する。
  論文  参考訳（メタデータ） (2025-10-15T05:29:56Z)
• MIR: Methodology Inspiration Retrieval for Scientific Research Problems [23.943338614752072]
  我々は、ある研究課題に対する解決策を刺激できる概念を持つ先行研究の回収という課題に対処する。 MIR上での学習と評価に適した新しいデータセットを構築した。 我々はMAGを利用して「直感的な先行」を密集したレトリバーに埋め込んで、方法論的インスピレーションのパターンを特定する。
  論文  参考訳（メタデータ） (2025-05-30T21:33:03Z)
• iEBAKER: Improved Remote Sensing Image-Text Retrieval Framework via Eliminate Before Align and Keyword Explicit Reasoning [80.44805667907612]
  iEBAKERは、弱い相関のサンプルペアをフィルタリングする革新的な戦略である。 SAR(Sort After Reversed Retrieval)戦略の代替として,SAR(Sort After Retrieval)戦略を導入する。 キーワード明示型推論(KER)モジュールを組み込んで、微妙なキー概念の区別による有益な影響を促進する。
  論文  参考訳（メタデータ） (2025-04-08T03:40:19Z)
• Causal Retrieval with Semantic Consideration [6.967392207053045]
  本稿では,2つの目的(意味と因果関係)で訓練された検索モデルであるCAWAIを提案する。 実験の結果,CAWAIは多様な因果検索タスクにおいて,様々なモデルよりも優れていた。 また,CAWAIは科学領域のQAタスクに対して強いゼロショットの一般化を示すことを示す。
  論文  参考訳（メタデータ） (2025-04-07T03:04:31Z)
• ResearchBench: Benchmarking LLMs in Scientific Discovery via Inspiration-Based Task Decomposition [67.26124739345332]
  大規模言語モデル(LLM)は科学的研究を支援する可能性を示しているが、高品質な研究仮説を発見する能力はいまだ検討されていない。 我々は,LLMを科学的発見のサブタスクのほぼ十分セットで評価するための,最初の大規模ベンチマークを紹介する。 学術論文から重要コンポーネント(研究質問、背景調査、インスピレーション、仮説)を抽出する自動フレームワークを開発する。
  論文  参考訳（メタデータ） (2025-03-27T08:09:15Z)
• Curricular Subgoals for Inverse Reinforcement Learning [21.038691420095525]
  逆強化学習(IRL)は、専門家による実証から報酬関数を再構築し、政策学習を促進することを目的としている。 既存のIRL法は主に、模倣者と専門家の軌跡の違いを最小限に抑えるために、グローバル報酬関数の学習に重点を置いている。 エージェントの模倣を導くために,一タスクを複数の局所的なサブゴールで明示的に切り離す,Curricular Subgoal-based Inverse Reinforcement Learningフレームワークを提案する。
  論文  参考訳（メタデータ） (2023-06-14T04:06:41Z)
• High-level Features for Resource Economy and Fast Learning in Skill Transfer [0.8602553195689513]
  ディープネットワークは、ますます複雑な抽象化を形成する能力のために有効であることが証明されている。 以前の作業では、デザイナバイアスを生み出す抽象化の形成を強制するか、多数のニューラルユニットを使用していた。 本稿では,脳神経応答のダイナミクスを利用して,スキル伝達に使用するコンパクトな表現法を提案する。
  論文  参考訳（メタデータ） (2021-06-18T21:05:21Z)
• Learning Abstract Models for Strategic Exploration and Fast Reward Transfer [85.19766065886422]
  我々は,抽象状態のマルコフ決定過程(MDP)を正確に学習し,複雑なエラーを避ける。 本手法は,最も難易度の高い3つのアーケード学習環境ゲームにおいて,強力な結果をもたらす。 学習した抽象MDPを新しい報酬関数に再利用することができ、スクラッチから訓練されたモデルフリーメソッドよりも1000倍少ないサンプルで高い報酬が得られる。
  論文  参考訳（メタデータ） (2020-07-12T03:33:50Z)

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。