論文の概要: EvoTreeNAD: Genealogy-Guided Evolution for LLM-Driven Neural Architecture Discovery
- arxiv url: http://arxiv.org/abs/2609.29016v1
- Date: Thu, 24 Sep 2026 04:30:34 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-25 21:10:09.715563
- Title: EvoTreeNAD: Genealogy-Guided Evolution for LLM-Driven Neural Architecture Discovery
- Title（参考訳）: EvoTreeNAD: LLM駆動型ニューラルネットワーク発見のための系譜ガイドによる進化
- Abstract要約: EvoTreeNADは、供給されたシードや手動で特定された検索空間を使わずにトレーニング可能なアーキテクチャを構築する、系譜誘導進化アルゴリズムである。
制御されたCIFAR-10の研究は、EvoTreeNADが直接生成、N$の最高値継続、フルファミリー平均ルーティングより優れていることを示している。
- 参考スコア（独自算出の注目度）: 5.915490988460108
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: AI-driven scientific discovery accelerates research by autonomously developing solutions and designs. Large language model (LLM) agents support this process through iterative generation and evaluation. Yet these iterations alone do not ensure cumulative progress or establish which directions to pursue next. Costly evaluation further constrains the scope of exploration. Neural architecture discovery brings these challenges together, coupling open-ended design with resource-intensive experimentation. We introduce EvoTreeNAD, a genealogy-guided evolutionary algorithm that constructs trainable architectures without a supplied seed or a hand-specified search space. Starting from an empty root, it grows a persistent genealogy in which each new node represents a complete architecture. Top-percentile values computed from each node and its descendants guide lineage selection. Using the selected design history, an Idea Agent proposes a variant and a Code Agent implements it. Each evaluated variant becomes a child node, expanding the genealogy while providing evidence for subsequent lineage selection. Our theoretical analysis establishes the existence of stationary variation regimes as the genealogy grows. Under specified variation assumptions, sustained top-percentile family values quantify the probability of generating high-reward architectures in these regimes. EvoTreeNAD discovers architectures that outperform the compared NAS and NAD baselines, achieving CIFAR-10/100 test errors of $2.05{\pm}0.06\%$ and $15.09{\pm}0.22\%$. On all six MedMNIST-v2 tasks, the discovered architectures surpass the strongest listed baselines. A controlled CIFAR-10 study further shows that EvoTreeNAD outperforms direct generation, best-of-$N$ greedy continuation, and full-family-mean routing.
- Abstract（参考訳）: AIによる科学的発見は、ソリューションと設計を自律的に開発することによって研究を加速する。
大規模言語モデル(LLM)エージェントは反復生成と評価を通じてこのプロセスをサポートする。
しかし、これらのイテレーションだけでは累積的な進捗を保証したり、次に進むべき方向を定めていない。
コスト評価は探索の範囲をさらに制限する。
ニューラルアーキテクチャ発見は、これらの課題をまとめ、リソース集約的な実験とオープンエンドデザインを結合する。
EvoTreeNADは、供給されたシードや手動で特定した検索空間を使わずにトレーニング可能なアーキテクチャを構築する、系譜誘導進化アルゴリズムである。
空のルートから始めて、各新しいノードが完全なアーキテクチャを表現する永続的な系図を成長させる。
各ノードとその子孫の系統選択から算出された最上位のパーセント値。
選択した設計履歴を使用して、Idean Agentが変種を提案し、Code Agentがそれを実装している。
評価された各変種は子ノードとなり、系譜を拡張し、その後の系統選択の証拠を提供する。
我々の理論解析は、系譜が成長するにつれて、定常的な変動体制が存在することを証明している。
特定の変動仮定の下では、持続された最上位の家族値は、これらの体制において高水準のアーキテクチャを生成する確率を定量化する。
EvoTreeNADは比較されたNASとNADベースラインを上回るアーキテクチャを発見し、CIFAR-10/100テストエラーが2.05{\pm}0.06\%$と15.09{\pm}0.22\%$に達した。
6つのMedMNIST-v2タスクにおいて、発見されたアーキテクチャは最上位のベースラインを超えた。
制御された CIFAR-10 の研究により、EvoTreeNAD は直接生成、最高$N$greedy 継続、フルファミリー平均ルーティングに優れることが示された。
関連論文リスト
- 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) - Structuring Open-Ended NAS: Semi-Automated Design Knowledge Structuring with LLMs for Efficient Neural Architecture Search [8.174501608236648]
現在のニューラルアーキテクチャサーチ(NAS)法は、しばしば事前に定義された制限付き探索空間によって制限される。
本稿では,モデル設計の知識を半自動で構造化し,探索過程を導くことを提案する。
われわれのアプローチはまず、アーキテクチャ属性の高レベルな構造テンプレートを定義する。LLMはこのテンプレートを論文を解析し、この構造化された設計知識を具現化したリッチで多様な検索空間を作成する。
CIFAR-10, CIFAR-100, ImageNet16-120でそれぞれ0.84, 2.17, 2.35点向上した高性能アーキテクチャの発見におけるFairNADの有効性を示す。
論文 参考訳（メタデータ） (2026-05-19T01:41:48Z) - Agentic Discovery with Active Hypothesis Exploration for Visual Recognition [22.895961870906405]
hypoExploreは、仮説駆動の科学的調査として視覚認識のためのニューラルネットワーク発見を定式化している。
新しい仮説は、二重戦略によって導かれる、構築する親仮説を選択することで、大きな言語モデルを用いて作成される。
仮説の信頼性スコアは証拠が蓄積するにつれてますます予測的になり、学習された原理が独立した進化の系統間で伝達されることを示す。
論文 参考訳（メタデータ） (2026-04-14T17:34:05Z) - TreePS-RAG: Tree-based Process Supervision for Reinforcement Learning in Agentic RAG [71.06073770344732]
エージェント検索強化生成(RAG)は、推論と情報検索の多段階的な相互作用として質問応答を定式化する。
エージェントRAGのためのオンラインツリーベースRLフレームワークであるTreePS-RAGについて述べる。
論文 参考訳（メタデータ） (2026-01-11T14:07:30Z) - Efficient Automation of Neural Network Design: A Survey on
Differentiable Neural Architecture Search [70.31239620427526]
微分可能なニューラルネットワーク探索(DNAS)は、ディープニューラルネットワークアーキテクチャの発見を自動化するトレンドのアプローチとして、急速に自らを強制した。
この増加は主に、最初の主要なDNAS法の一つであるDARTSの人気が原因である。
本総説では,DNASに特に焦点をあて,最近のアプローチを概観する。
論文 参考訳（メタデータ） (2023-04-11T13:15:29Z) - Guided Evolutionary Neural Architecture Search With Efficient
Performance Estimation [4.637328271312329]
本稿では、ガイド型ニューラルネットワーク探索(NAS)のための新しいアプローチであるGAAを提案する。
GEAは、初期化段階で各世代で複数のアーキテクチャを生成し評価することで進化を導く。
その結果,GAAはNAS-Bench-101,NAS-Bench-201,TransNAS-Bench-101ベンチマークのすべてのデータセットに対して最先端の結果が得られることがわかった。
論文 参考訳（メタデータ） (2022-07-22T10:58:32Z) - Guided Evolution for Neural Architecture Search [1.0499611180329804]
進化的ニューラルネットワーク探索(NAS)のための新しい手法を提案する。
G-EAの背後にある理論的根拠は、各世代における複数のアーキテクチャの生成と評価によって、検索空間を探索することである。
G-EAは、親突然変異による探索を強制しながら、子孫世代による最も優れたネットワークの活用を強制する。
論文 参考訳（メタデータ） (2021-10-28T15:43:20Z) - On the Exploitation of Neuroevolutionary Information: Analyzing the Past
for a More Efficient Future [60.99717891994599]
本稿では,神経進化過程から情報を抽出し,メタモデルを構築するアプローチを提案する。
本稿では, 異なる特徴を有する生成的対向ネットワークの神経進化的探索における最良の構造について検討する。
論文 参考訳（メタデータ） (2021-05-26T20:55:29Z) - ADWPNAS: Architecture-Driven Weight Prediction for Neural Architecture
Search [6.458169480971417]
ニューラルアーキテクチャ探索(NAS)のためのアーキテクチャ駆動重み予測(ADWP)手法を提案する。
提案手法では,まずアーキテクチャ集約型検索空間を設計し,次にアーキテクチャパラメータをエンコードすることでハイパーネットワークワークを訓練する。
結果は、CIFAR-10上で1つの探索手順を4.0GPU時間で完了することを示す。
論文 参考訳（メタデータ） (2020-03-03T05:06:20Z) - Alpha Discovery Neural Network based on Prior Knowledge [55.65102700986668]
遺伝的プログラミング(GP)は、金融自動化機能構築タスクにおける最先端技術である。
本稿では,分散金融技術指標の自動構築が可能なニューラルネットワーク構造であるAlpha Discovery Neural Network (ADNN)を提案する。
論文 参考訳（メタデータ） (2019-12-26T03:10:17Z)
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。