論文の概要: Idea Search: Guiding Tree Search with Ideas to Explore Diverse Scientific Methods

• arxiv url: http://arxiv.org/abs/2608.08958v1
• Date: Sun, 09 Aug 2026 23:31:57 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-11 19:16:37.004951
• Title: Idea Search: Guiding Tree Search with Ideas to Explore Diverse Scientific Methods
• Title（参考訳）: アイデア検索:様々な科学的手法を探求するアイデアでツリー検索を導く
• Abstract要約: Idea Search は動的 "Idea Bank" をツリー検索に体系的に統合するフレームワークである。 シングルセルRNAシークエンシング(scRNA-seq)バッチ統合では、Idean Searchは強力な純粋なTree Searchベースラインの台地を確実に破壊する。
• 参考スコア（独自算出の注目度）: 10.848206302360452
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Tree Search-based test-time scaling of LLMs is a powerful tool for automated scientific coding. However, pure Tree Search sometimes struggles with systematic exploration, becoming trapped in local optima, or unproductive loops, especially in the vast search space of scientific methods. To address this limitation, we propose Idea Search, a framework that systematically integrates a dynamic "Idea Bank" into Tree Search. Idea Search involves three steps: (1) decomposing existing methods into atomic ideas, (2) sampling from this bank of ideas to guide branches of code mutations, and (3) dynamically updating the bank with new ideas discovered through execution. On single-cell RNA-sequencing (scRNA-seq) batch integration, Idea Search reliably breaks the plateau of a strong pure Tree Search baseline, improving the mean score from 0.678 to 0.697 and reaching a best score of 0.728. We then characterize which design choices drive these gains: bank augmentation helps bandit sampling but not random sampling, "Exploratory" prompting that prioritizes new ideas surfaces the rare best-performing solutions, while increasing sampling-level exploration is counterproductive.
• Abstract（参考訳）: 木探索に基づくLSMのテスト時間スケーリングは、自動科学的コーディングのための強力なツールである。 しかし、純粋な木探索は、しばしば体系的な探索に苦慮し、特に科学的手法の広大な探索空間において、局所的な最適または非生産的なループに閉じ込められる。 この制限に対処するため,動的「イデアバンク」を木探索に体系的に統合するフレームワークであるIdea Searchを提案する。 アイデア検索には3つのステップがある:(1)既存のメソッドをアトミックなアイデアに分解し、(2)コード変異の分岐をガイドするためにこのアイデアバンクからサンプリングし、(3)実行によって発見された新しいアイデアで銀行を動的に更新する。 シングルセルRNAシークエンシング(scRNA-seq)バッチ統合では、Idean Searchは強力な純粋なツリー検索ベースラインの台地を確実に破壊し、平均スコアを0.678から0.697に改善し、最高スコアは0.728に達する。 銀行の増進はサンプリングをバンドレートするのに役立つが、ランダムサンプリングは行わない"探索"では、新しいアイデアの優先順位付けは、サンプリングレベルの探索の増加は非生産的であると同時に、稀な最高のパフォーマンスソリューションを表面化する。

関連論文リスト

• Learning the ARTS of Search for Automated Discovery [62.89970162621959]
  本稿では, 木探索のためのエージェント推論を提案し, 科学的発見を誘導する。 このスペースをナビゲートするために、推論言語モデルをデプロイします。 我々は、ARTSが主要なアルゴリズムより優れていることを示す。
  論文  参考訳（メタデータ） (2026-06-20T05:47:37Z)
• MARS$^2$: Scaling Multi-Agent Tree Search via Reinforcement Learning for Code Generation [29.92851142870157]
  強化学習(RL)パラダイムは、コード生成のような推論集約的なタスクに強いパフォーマンスを示してきた。 独立に最適化されたエージェントが協力する統一RLフレームワークである textbfMARS$2$ (Multi-Agent Reinforced Tree-Search Scaling) を提案する。
  論文  参考訳（メタデータ） (2026-04-16T02:52:24Z)
• ProtInvTree: Deliberate Protein Inverse Folding with Reward-guided Tree Search [77.55575655986252]
  ProtInvTreeはタンパク質逆フォールディングのための報酬誘導ツリー検索フレームワークである。 シークエンス生成は、意図的に、ステップワイズな意思決定プロセスとして再構成される。 検索深度と幅を広げて、再トレーニングすることなく、フレキシブルなテストタイムスケーリングをサポートする。
  論文  参考訳（メタデータ） (2025-06-01T09:34:20Z)
• Seed-CTS: Unleashing the Power of Tree Search for Superior Performance in Competitive Coding Tasks [16.853404804069527]
  コード生成に特化して設計された新しいトークンレベルの木探索手法を提案する。 GPT4o-0513(0.245)のpass@100性能を超え,LiveCodeBench-Hardで0.305のパスレートを実現した。 本研究は,競合レベルのコード生成タスクの性能を著しく向上させる木探索の可能性を明らかにするものである。
  論文  参考訳（メタデータ） (2024-12-17T05:10:21Z)
• Enhancing LLM Reasoning with Reward-guided Tree Search [95.06503095273395]
  o1のような推論アプローチは困難で、研究者はこのオープンな研究領域を前進させようとさまざまな試みを行ってきた。 本稿では,報酬誘導木探索アルゴリズムを用いて,LLMの推論能力を高めるための予備的な検討を行う。
  論文  参考訳（メタデータ） (2024-11-18T16:15:17Z)
• RethinkMCTS: Refining Erroneous Thoughts in Monte Carlo Tree Search for Code Generation [71.88883580383039]
  コード生成の推論プロセスを探求し、洗練するフレームワークであるRethinkMCTSを提案する。 具体的には、コード生成前の思考の検索にMCTSを使用し、再考と呼ばれる改善メカニズムをMCTSに統合する。 RethinkMCTSは、従来の検索ベースおよびフィードバック強化コード生成ベースラインよりも優れていることを実証する。
  論文  参考訳（メタデータ） (2024-09-15T02:07:28Z)
• LiteSearch: Efficacious Tree Search for LLM [70.29796112457662]
  本研究では,動的ノード選択とノードレベルの探索予算を備えた新しいガイド付き木探索アルゴリズムを提案する。 GSM8KおよびTabMWPデータセットを用いて行った実験により,本手法はベースライン法に比べて計算コストが大幅に低いことを示した。
  論文  参考訳（メタデータ） (2024-06-29T05:14:04Z)
• Best-$k$ Search Algorithm for Neural Text Generation [118.02691398555781]
  本稿では,品質と多様性のバランスをとる決定論的探索アルゴリズムを提案する。 提案アルゴリズムはパラメータフリーで、軽量で、効率的で、使いやすくなっている。
  論文  参考訳（メタデータ） (2022-11-22T00:26:13Z)

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。