論文の概要: Model Discovery Agent: LLM-assisted Bayesian experiment design for data-efficient discovery of mechanistic world models
- arxiv url: http://arxiv.org/abs/2608.09696v2
- Date: Tue, 11 Aug 2026 03:39:37 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-12 19:14:45.739415
- Title: Model Discovery Agent: LLM-assisted Bayesian experiment design for data-efficient discovery of mechanistic world models
- Title（参考訳）: モデル発見エージェント:機械的世界モデルのデータ効率発見のためのLLM支援ベイズ実験設計
- Authors: Kevin Murphy,
- Abstract要約: 本稿では,大規模言語モデル(LLM)を候補構造のエンプロポサとして用いるモデル探索エージェント(MDA)を提案する。
真理が現在の仮説クラスの外にあるとき、予測チェックは不適切であることを宣言し、提案者は仮説空間を新しいモデルで拡張する。
MDAは、データ効率のモデル学習と信頼性の高い介入予測能力の観点から、新しいSOTAを設定する。
- 参考スコア（独自算出の注目度）: 1.7470133607730627
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Predicting the answer to interventional ``what if'' questions --- the outcome of an action never taken --- requires a \emph{mechanistic}, causal model, not a curve fit; and learning such a model requires \emph{experiments}, because passive data leaves its mechanisms unidentified. Experiments are expensive, so the central problem is \emph{data efficiency}. We present the Model Discovery Agent (MDA), which couples a large language model (LLM), used as a \emph{proposer} of candidate structures, with standard Bayesian machinery --- sequential Monte Carlo (SMC) for parameter and structure posteriors, simulation-based inference (SBI) for intractable likelihoods, and value-of-information (VoI) for experiment design --- to discover latent mechanistic world models from few interventions. MDA operates in the M-open setting: when the truth lies outside the current hypothesis class, a predictive check flags the inadequacy and the proposer expands the hypothesis space with a new model whose parameters are then identified by designed experiments. We show that \emph{discovery and design reinforce}: the design step identifies the mechanism the discovery step proposes, and the identified mechanism improves predictions, enabling further discoveries from the remaining unexplained residuals. On three different benchmarks --- covering physics (\DPbench, \citep{wiemann2026discoverphysics}), chemistry (\CHEMbench, \citep{kabra2026autoscilab}) and biology (\HHbench, a new partially observed single-neuron electrophysiology benchmark we create) --- we show that MDA sets a new SOTA in terms of data-efficient model learning and reliable interventional prediction ability.
- Abstract（参考訳）: 介入する `` if' の質問 -- アクションの成果 -- を予測するには、‘emph{mechanistic}, 因果モデル、曲線適合ではなく; そしてそのようなモデルを学習するには、〈emph{experiments' が必要である。
実験は高価であるため、中心的な問題は 'emph{data efficiency}' である。
本稿では,大規模言語モデル (LLM) と標準ベイズ機械の 'emph{proposer} を結合したモデル探索エージェント (MDA) を提案する。
MDA は M-オープンな設定で機能する: 真理が現在の仮説クラスの外にあるとき、予測チェックは不適切であることを宣言し、提案者は新しいモデルで仮説空間を拡張し、パラメータを設計実験によって同定する。
設計ステップは、発見ステップが提案するメカニズムを特定し、同定されたメカニズムは予測を改善し、未説明の残余からさらなる発見を可能にする。
カバー物理(\DPbench, \citep{wiemann2026discoverphysics})、化学(\CHEMbench, \citep{kabra2026autoscilab})、生物学(新しい部分的に観察された単一ニューロン電気生理学的ベンチマーク)の3つの異なるベンチマークにおいて、MDAがデータ効率のモデル学習と信頼性の高い介入予測能力の観点から新しいSOTAを設定することを示す。
関連論文リスト
- From Hybrid Mechanistic--Data-Driven Modeling Toward Neuro-Symbolic AI: What, Why, and How [0.0]
我々はこれらの設計をNeSyインタフェースのインスタンスとして再構築することで、ハイブリッドモデリングとニューロシンボリック(NeSy)AIを橋渡しする。
結果として得られた翻訳であるHybrid-to-NeSy (H2N)は、言語側で機械的な知識を配置し、信念側で学習したモジュールと、論理側で制約を伴って妥当性ドメインを付与する。
論文 参考訳（メタデータ） (2026-07-24T18:00:00Z) - Instrumented data for causal scientific machine learning [0.0]
センサ・オブザーバが、明示的で、編集可能なパラメータと、伝播するアレタリック/エピステミック不確実性を備えた、完全に特定された、解決者支援のシミュレーションになることを示す。
検証、監査、代理訓練の短期的な効果は、計算生物学、気候、材料、流体力学、医療画像に及んでいる。
長期的な、偽りやすい含意は、科学的推論の基礎モデルに関するものである。
論文 参考訳（メタデータ） (2026-06-05T21:53:39Z) - Bridging the Simulation-to-Experiment Gap with Generative Models using Adversarial Distribution Alignment [51.246114581338865]
科学と工学における根本的な課題は、シミュレーションと実験のギャップである。
このギャップを埋めるデータ駆動型分散アライメントフレームワークを提案する。
本手法は,複数個の相関した観測可能値であっても,対象の観測可能分布を復元できることを実証する。
論文 参考訳（メタデータ） (2026-04-01T17:21:33Z) - Model-free Methods for Event History Analysis and Efficient Adjustment (PhD Thesis) [55.2480439325792]
この論文は、モデルフリーの観点から統一された統計学への独立した貢献のシリーズである。
第1章では、機械学習から予測技術を活用する柔軟なメソッドを定式化するために、モデルフリーの視点をどのように利用できるか、詳しく説明している。
第2章では、あるプロセスの進化が他のプロセスに直接影響されるかどうかを記述した地域独立の概念を研究している。
論文 参考訳（メタデータ） (2025-02-11T19:24:09Z) - Seeing Unseen: Discover Novel Biomedical Concepts via
Geometry-Constrained Probabilistic Modeling [53.7117640028211]
同定された問題を解決するために,幾何制約付き確率的モデリング処理を提案する。
構成された埋め込み空間のレイアウトに適切な制約を課すために、重要な幾何学的性質のスイートを組み込む。
スペクトルグラフ理論法は、潜在的な新規クラスの数を推定するために考案された。
論文 参考訳（メタデータ） (2024-03-02T00:56:05Z) - Bayesian Learning of Coupled Biogeochemical-Physical Models [28.269731698116257]
海洋生態系の予測モデルは、様々なニーズに使われている。
希少な測定と海洋プロセスの理解が限られているため、かなりの不確実性がある。
候補モデルの空間での処理と新しいモデルの発見を可能にするベイズモデル学習手法を開発した。
論文 参考訳（メタデータ） (2022-11-12T17:49:18Z) - Inverting brain grey matter models with likelihood-free inference: a
tool for trustable cytoarchitecture measurements [62.997667081978825]
脳の灰白質細胞構造の特徴は、体密度と体積に定量的に敏感であり、dMRIでは未解決の課題である。
我々は新しいフォワードモデル、特に新しい方程式系を提案し、比較的スパースなb殻を必要とする。
次に,提案手法を逆転させるため,確率自由推論 (LFI) として知られるベイズ解析から最新のツールを適用した。
論文 参考訳（メタデータ） (2021-11-15T09:08:27Z) - Closed-form discovery of structural errors in models of chaotic systems
by integrating Bayesian sparse regression and data assimilation [0.0]
私たちはMEDIDAというフレームワークを紹介します: 解釈可能性とデータ同化を伴うモデルエラー発見。
MEDIDAでは、まず、観測状態と予測状態の差からモデル誤差を推定する。
観測結果がノイズである場合、まず、アンサンブルカルマンフィルタ(EnKF)のようなデータ同化手法を用いて、システムのノイズフリー解析状態を提供する。
最後に、レバレンスベクトルマシン(RVM)のような方程式発見手法、すなわちスパーシィプロモーティングベイズ法を用いて、解釈可能でパシモニアスでクローズドな解を同定する。
論文 参考訳（メタデータ） (2021-10-01T17:19:28Z) - Leveraging Global Parameters for Flow-based Neural Posterior Estimation [90.21090932619695]
実験観測に基づくモデルのパラメータを推定することは、科学的方法の中心である。
特に困難な設定は、モデルが強く不確定であるとき、すなわち、パラメータの異なるセットが同一の観測をもたらすときである。
本稿では,グローバルパラメータを共有する観測の補助的セットによって伝達される付加情報を利用して,その不確定性を破る手法を提案する。
論文 参考訳（メタデータ） (2021-02-12T12:23:13Z) - Sequential Bayesian Experimental Design for Implicit Models via Mutual
Information [12.68659360172393]
自然科学と医学科学に特に興味を持つモデルのクラスは暗黙のモデルである。
モデルパラメータとシミュレーションデータ間の相互情報(MI)を実用関数として用いたパラメータ推定のための新しい逐次設計フレームワークを考案する。
我々のフレームワークは、テストされた様々な暗黙のモデルに対して効率的であることが分かり、数回の反復で正確なパラメータ推定が得られます。
論文 参考訳（メタデータ） (2020-03-20T16:52:10Z)
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。