論文の概要: Tree-of-Ideas: Automated Research Ideation via Cross-Trajectory Reasoning over Scholarly Evolution
- arxiv url: http://arxiv.org/abs/2608.10740v1
- Date: Tue, 11 Aug 2026 09:56:55 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-12 19:14:46.000785
- Title: Tree-of-Ideas: Automated Research Ideation via Cross-Trajectory Reasoning over Scholarly Evolution
- Title（参考訳）: Tree-of-Ideas:Scholarly Evolutionにまつわるクロストラジェクトリー推論による自動研究思想
- Abstract要約: 研究アイデアのための2段階のフレームワークであるTree-of-Ideas(ToI)を提案する。
EvoTracesは、引用から学際的な分岐軌道を再構築し、進化する手法を追跡し、解決した問題とギャップを追跡。
するとEvoAgentは、軌道を横断して収束した問題と相補的な解を識別し、基礎研究のアイデアを生み出す。
- 参考スコア（独自算出の注目度）: 26.89105721320381
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Effective research ideation requires moving beyond a static understanding of prior work to trace how research problems and solutions evolve across the literature. Existing methods either treat papers as unstructured context or model scholarly evolution as isolated citation chains, overlooking interactions among research trajectories. We propose Tree-of-Ideas (ToI), a two-stage framework. EvoTrace reconstructs branching scholarly trajectories from citations, tracking evolving methods, resolved problems, and gaps. EvoAgent then reasons across trajectories to identify convergent problems and complementary solutions, generating grounded research ideas. Across six AI research topics, ToI achieves the highest score among automatic methods (6.27 vs. 5.36 for the strongest baseline on a 10-point scale), with strong Novelty (6.36) and Groundedness (7.00). Also, its score approaches that of human-paper references (6.29), demonstrating the value of cross-path evolutionary reasoning.
- Abstract（参考訳）: 効果的な研究思想は、研究問題と解決策が文献全体にわたってどのように進化するかを辿るために、先行研究の静的理解を超えて進む必要がある。
既存の方法では、論文を非構造化の文脈として扱うか、独立した引用連鎖として、研究軌跡間の相互作用を見越して、学術的な進化をモデル化する。
2段階のフレームワークであるTree-of-Ideas(ToI)を提案する。
EvoTraceは、引用から分岐する学術的軌跡を再構築し、進化する手法を追跡し、解決した問題とギャップを追跡。
するとEvoAgentは、軌道を横断して収束した問題と相補的な解を識別し、基礎研究のアイデアを生み出す。
6つのAI研究のトピックの中で、ToIは10ポイントで最強のベースラインで6.27対5.36)、強力なノベルティ(6.36)、グラウンドネス(7.00)という自動手法の中で最高点を達成している。
また、そのスコアは人間の論文参照(6.29)に近づき、パス間の進化的推論の価値を示す。
関連論文リスト
- The Problem Is the Problem: Towards Scalable Mathematical Discovery [27.74875048771945]
我々は,適切な問題の検索を自動化し,フィルタリングのいくつかの段階を経たアーティファクトに人間の注意を集中させる,文献からレビューまでのカスケードを構築した。
ダヴィエの予想や疑問に関する結果、-Jenssen-Perkins-Roberts, Erds-Straus, Ikenmeyer--Pak-Panova, Lund-Saraf-Wolf など、多くの興味深い発見を見出した。
論文 参考訳（メタデータ） (2026-08-17T17:19:59Z) - How Do Agents Fail on AutoResearch: End-to-End Diagnostic Evaluation on 100 Real-World Frontier Research Tasks [6.001213285107465]
AutoResearchEvalは、7つの科学領域にまたがるフロンティア科学に根ざした100のタスクを特徴としている。
8つのハーネスモデルの組み合わせを評価すると、800個のオート検索剤の軌道が得られる。
我々は,人間のキャリブレーションしたエージェント・アズ・ア・ジャッジ・パイプラインを利用して,完全な軌道や中間成果物を検査する。
論文 参考訳（メタデータ） (2026-08-14T21:39:38Z) - Toward Generalist Autonomous Research via Hypothesis-Tree Refinement [150.99641031769633]
本稿では,長寿命コーディネータ,短寿命エグゼキュータ,仮説ツリーリファインメント(HTR)を組み合わせた自律的研究フレームワークArborを紹介する。
結果が戻ると、Arborはツリーを更新し、再利用可能なレッスンを宣伝し、検索フロンティアを洗練し、検証された改善を認めた。
論文 参考訳（メタデータ） (2026-06-10T10:57:05Z) - More Than Can Be Said: A Benchmark and Framework for Pre-Question Scientific Ideation [3.6157969644896912]
InciteResearchは、研究者の暗黙の理解を明示的で、検査可能で、実行可能なものにするために設計されたフレームワークである。
TF-Benchは暗黙的な研究支援のための最初のベンチマークである。
私たちの研究は、AIが単に下流の実行を自動化するのではなく、思考そのものの拡張として機能することを実証しています。
論文 参考訳（メタデータ） (2026-05-07T14:30:03Z) - Intern-Atlas: A Methodological Evolution Graph as Research Infrastructure for AI Scientists [35.81584849462589]
Intern-Atlasはメソッドレベルのエンティティを自動的に識別する方法論進化グラフである。
AIカンファレンス、ジャーナル、arXivプレプリントにまたがる1,030,314の論文から構築されたグラフは、9,410,201のセマンティックな型付けエッジで構成されている。
論文 参考訳（メタデータ） (2026-04-30T17:44:55Z) - A Multi-Agent Rhizomatic Pipeline for Non-Linear Literature Analysis [0.0]
本研究ノートでは,Deleuzianプロセス-リレーショナルオントロジーを基盤としたマルチエージェント計算パイプラインであるRhizomatic Research Agent (V3)について述べる。
このシステムは、ライゾマティックな探究を博士研究に用いた(Narayan2023)方法論的な基礎研究に応えて開発された。
予備的な展開は、システムが学際的な収束と構造研究のギャップを表面化する能力を示す。
論文 参考訳（メタデータ） (2026-03-30T12:06:25Z) - Cognitive Foundations for Reasoning and Their Manifestation in LLMs [63.12951576410617]
大規模言語モデル(LLM)は複雑な問題を解くが、単純な変種では失敗し、人間の推論と根本的に異なるメカニズムによって正しい出力を達成することを示唆している。
我々は認知科学研究を、推論不変量、メタ認知制御、推論と知識の組織化のための表現、変換操作にまたがる28の認知要素の分類学に合成する。
複雑な問題に対して66.7%の性能向上を図り、成功構造を自動的に把握するテストタイム推論ガイダンスを開発した。
論文 参考訳（メタデータ） (2025-11-20T18:59:00Z) - Thinking Forward and Backward: Multi-Objective Reinforcement Learning for Retrieval-Augmented Reasoning [137.33138614095435]
Retrieval-augmented Generation (RAG) は、大規模言語モデルにおける幻覚の緩和に有効であることが証明されている。
近年、検索に基づく対話をRAGに組み込んで、リアルタイム検索による反復推論を可能にしている。
提案するBi-RARは,各中間ステップを前方方向と後方方向の両方で共同で評価する,新たな検索拡張推論フレームワークである。
論文 参考訳（メタデータ） (2025-11-12T08:29:39Z) - 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) - HySemRAG: A Hybrid Semantic Retrieval-Augmented Generation Framework for Automated Literature Synthesis and Methodological Gap Analysis [55.2480439325792]
HySemRAGは、Extract, Transform, Load (ETL)パイプラインとRetrieval-Augmented Generation (RAG)を組み合わせたフレームワークである。
システムは、マルチ層アプローチを通じて既存のRAGアーキテクチャの制限に対処する。
論文 参考訳（メタデータ） (2025-08-01T20:30:42Z) - PathFinder: Guided Search over Multi-Step Reasoning Paths [80.56102301441899]
木探索に基づく推論経路生成手法であるPathFinderを提案する。
動的デコードの統合により、多様な分岐とマルチホップ推論を強化する。
我々のモデルは、大きな分岐因子を持つビームサーチに類似した複雑さを反映して、よく、長く、目に見えない推論連鎖を一般化する。
論文 参考訳（メタデータ） (2023-12-08T17:05:47Z)
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。