論文の概要: Project2Task: Graph-Guided Project-Level Planning for Autonomous Research

• arxiv url: http://arxiv.org/abs/2608.05225v1
• Date: Wed, 05 Aug 2026 11:39:29 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-07 15:25:20.750149
• Title: Project2Task: Graph-Guided Project-Level Planning for Autonomous Research
• Title（参考訳）: Project2Task: グラフガイドによる自律的研究のためのプロジェクトレベルプランニング
• Abstract要約: 本稿では,自律型研究のためのグラフ誘導型プロジェクトレベル計画層であるProject2Taskを紹介する。 プロジェクトの簡単な説明をすれば、それはイノベーションの原子として候補のコントリビューションを表現し、それらを方向付けられたライングラフで整理する。 明示的なコントリビューションオーナシップを備えたバウンドタスクを生成し、オーバーラップと実行フィールドの欠如を修復し、依存性を意識したタスクコントラクトを出力する。
• 参考スコア（独自算出の注目度）: 12.080526732411698
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Research agents can increasingly search literature, propose hypotheses, generate code, run experiments, and draft manuscripts from a single topic. However, a research project is not merely a larger task: it is a long-horizon agenda that must be advanced through multiple bounded tasks with distinct but related objectives, parallel alternatives, and dependency-aware sequences. Existing single-task systems often treat the project as one oversized task, produce a flat set of vague or overlapping tasks, or leave task boundaries and execution order to manual coordination. We introduce Project2Task, a graph-guided project-level planning layer for autonomous research. Given a project brief, it represents candidate contributions as innovation atoms and organizes them in a directed lineage graph. A lightweight Bernoulli block-model objective selects among horizontal, vertical, and hybrid portfolio decompositions. Project2Task then generates bounded tasks with explicit contribution ownership, repairs overlaps and missing execution fields, and emits dependency-aware task contracts that specify objectives, inputs, expected artifacts, evaluation requirements, boundary constraints, dependencies, and execution order. The contracts are independent of any particular downstream research executor and support integration of task outputs into a coherent project-level result. On a benchmark of ten project briefs yielding roughly 30 tasks, manuscript-based portfolio evaluation gives Project2Task an average quality score of 7.15, compared with 4.58 for the Brief Baseline and 5.31 for the Topic-only Setting. Integrating its contracts with AutoResearchClaw increases average downstream task accuracy from 0.536 to 0.759. These results demonstrate the value of explicit project-to-task planning for producing coherent, non-redundant, and executable research-task portfolios.
• Abstract（参考訳）: 研究エージェントは、文学の検索、仮説の提案、コードの生成、実験の実行、そして1つのトピックから原稿のドラフトを作成することができる。 しかし、研究プロジェクトは単に大きなタスクではない。それは、異なるが関連する目的、並列な代替案、および依存性を意識したシーケンスを持つ複数の有界タスクを通じて進行しなければならない、長期水平アジェンダである。 既存のシングルタスクシステムは、しばしばプロジェクトを1つの大きなタスクとして扱い、曖昧で重複したタスクの平らなセットを生成したり、手作業の調整のためにタスク境界と実行命令を残したりします。 本稿では,自律型研究のためのグラフ誘導型プロジェクトレベル計画層であるProject2Taskを紹介する。 プロジェクトの簡単な説明をすれば、それはイノベーションの原子として候補のコントリビューションを表現し、それらを方向付けられたライングラフで整理する。 軽量なベルヌーイブロックモデルの対象は、水平、垂直、ハイブリッドポートフォリオの分解の中から選択される。 Project2Taskは、明示的なコントリビューションオーナシップを備えた境界タスクを生成し、オーバーラップと不足した実行フィールドを修復し、目的、入力、期待される成果物、評価要件、境界制約、依存関係、実行順序を指定する依存性対応タスクコントラクトを出力する。 契約は特定の下流のリサーチエグゼキュータとは独立しており、タスクアウトプットを一貫性のあるプロジェクトレベルの結果に統合するのをサポートする。 約30タスクからなる10のプロジェクトブリーフのベンチマークでは、原稿ベースのポートフォリオ評価により、プロジェクト2Taskの平均品質スコアは7.15であり、ブリーフベースラインでは4.58、トピック専用セッティングでは5.31である。 AutoResearchClawとコントラクトを統合することで、平均ダウンストリームタスクの精度が0.536から0.759に向上する。 これらの結果は、コヒーレントで非冗長で実行可能なリサーチタスクポートフォリオを作成するために、明示的なプロジェクト・ツー・タスク計画の価値を示している。

関連論文リスト

• Task-State Adaptation with Prototype Memory for Multi-Task Dense Prediction [65.90697836568579]
  本研究では,グローバルな視覚的コンテキストからタスク状態を推定するマルチタスク高密度予測フレームワークを提案する。 MemMTLは学習可能なタスク状態のプロトタイプメモリを通じてそれを洗練する。 個別のタスク非依存残差銀行は共通の適応パスを提供する。
  論文  参考訳（メタデータ） (2026-08-28T08:48:22Z)
• One Task Vector is not Enough: A Large-Scale Study for In-Context Learning [8.814773743724315]
  In-context Learning (ICL)により、大規模言語モデルでは、タスク情報をエンコードするように仮定されたタスクベクトルを使って、いくつかの例を使って新しいタスクに適応することができる。 我々は,Alpacaデータセットから抽出した30の入出力ペアを持つ,3,096の多種多様なショットタスクからなる新しいデータセットQuiteAFewを紹介した。 Llama-3-8B による QuiteAFew の実験では,(1) 中間層(例えば 15 位)におけるタスクベクトルのパフォーマンスピーク,(2) タスクタイプによる有効性,(3) 複雑なタスクは単一のベクトルではなく,複数のサブタスク固有のベクトルに依存しており,分散タスク知識を示唆している。
  論文  参考訳（メタデータ） (2025-05-29T18:05:12Z)
• Design of mechanisms for ensuring the execution of tasks in project planning [0.0]
  本報告では,プロジェクト計画の段階的側面の分析について報告する。 費用とプロジェクトの実施期間の制限を考慮している。 プロジェクト計画の段階で行われるタスクやタスクの階層を構築するタスクのモデルを構築した。
  論文  参考訳（メタデータ） (2025-01-02T13:47:20Z)
• Leverage Task Context for Object Affordance Ranking [57.59106517732223]
  25の共通タスク、50k以上の画像、661k以上のオブジェクトからなる、最初の大規模タスク指向のアベイランスランキングデータセットを構築しました。 その結果,タスクコンテキストに基づくアベイランス学習のパラダイムの実現可能性と,サリエンシランキングやマルチモーダルオブジェクト検出の分野における最先端モデルよりも,我々のモデルの方が優れていることが示された。
  論文  参考訳（メタデータ） (2024-11-25T04:22:33Z)
• On Task-personalized Multimodal Few-shot Learning for Visually-rich Document Entity Retrieval [59.25292920967197]
  VDER(Few-shot document entity search)は、NLPアプリケーションにおいて重要なトピックである。 FewVEXは、エンティティレベルの少数ショットVDERの分野における将来の研究を促進するための、新しいデータセットである。 本稿では,タスクパーソナライズを効果的に実現することを中心に,タスク認識型メタラーニングベースのフレームワークを提案する。
  論文  参考訳（メタデータ） (2023-11-01T17:51:43Z)
• Reinforcement Learning with Success Induced Task Prioritization [68.8204255655161]
  本稿では,自動カリキュラム学習のためのフレームワークであるSuccess induced Task Prioritization (SITP)を紹介する。 アルゴリズムはエージェントに最速の学習を提供するタスクの順序を選択する。 我々は,SITPが他のカリキュラム設計手法と一致するか,あるいは上回っていることを実証する。
  論文  参考訳（メタデータ） (2022-12-30T12:32:43Z)
• POMRL: No-Regret Learning-to-Plan with Increasing Horizons [43.693739167594295]
  オンラインメタ強化学習環境におけるモデル不確実性の下での計画課題について検討する。 本稿では,タスク間の基盤構造をメタラーニングし,タスクごとの計画を立てるアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2022-12-30T03:09:45Z)
• Arch-Graph: Acyclic Architecture Relation Predictor for Task-Transferable Neural Architecture Search [96.31315520244605]
  Arch-Graphはタスク固有の最適アーキテクチャを予測するトランスファー可能なNASメソッドである。 Arch-Graphの転送性と,多数のタスクにわたる高いサンプル効率を示す。 わずか50モデルの予算の下で、2つの検索スペースで平均して0.16%と0.29%のアーキテクチャを見つけることができる。
  論文  参考訳（メタデータ） (2022-04-12T16:46:06Z)
• Exploring Relational Context for Multi-Task Dense Prediction [76.86090370115]
  我々は,共通バックボーンと独立タスク固有のヘッドで表される,密集予測タスクのためのマルチタスク環境を考える。 マルチタスク設定では,グローバルやローカルなど,さまざまな注意に基づくコンテキストを探索する。 タスクペアごとに利用可能なすべてのコンテキストのプールをサンプリングするAdaptive Task-Relational Contextモジュールを提案する。
  論文  参考訳（メタデータ） (2021-04-28T16:45:56Z)
• CompositeTasking: Understanding Images by Spatial Composition of Tasks [85.95743368954233]
  CompositeTaskingは、複数の空間分散タスクの融合である。 提案するネットワークは,画像のペアと画素単位の高密度なタスクのセットを入力として取り,各ピクセルに対するタスク関連予測を行う。 マルチタスクのためのコンパクトなネットワークを提供するだけでなく、タスク編集も可能です。
  論文  参考訳（メタデータ） (2020-12-16T15:47:02Z)

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。