論文の概要: LLM sequential decision making under uncertainty in biochemical domains

• arxiv url: http://arxiv.org/abs/2609.33061v1
• Date: Sun, 27 Sep 2026 00:49:09 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-06 10:49:47.793451
• Title: LLM sequential decision making under uncertainty in biochemical domains
• Title（参考訳）: 生物化学領域における不確実性を考慮したLCMシーケンシャル意思決定
• Abstract要約: 5つの大言語モデル(LLM)を、7つのデータセットの統計ベースラインに対してベンチマークする。 決定的にテストされた構成は、ドメイン全体で平均的な統計ベースラインを上回っません。 コンテキスト内履歴の削除は探索を復元し、事前とデータは切り離さなければならないことを示す。
• 参考スコア（独自算出の注目度）: 4.5018775756511635
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Large language models (LLMs) are increasingly used to drive scientific discovery. Understanding how LLMs make decisions from new data and memory of the literature is vital before trusting them to design experiments under tight experimental budgets. However, their decision strategies are invisible in the current performance scores used to evaluate research agents. Here, we benchmark five frontier LLMs in a Bayesian Optimization setting against published statistical baselines on seven combinatorial datasets spanning protein engineering, reaction optimization, molecular design, peptide self-assembly, and catalysis. Performance is paired with direct measurements of model beliefs and actions, enabling highly resolved behavior analysis. A prompt ablation that progressively strips context separates memorization from chemical reasoning and from bare categorical optimization. Prior chemical knowledge helps in expectation, but with high variance and occasionally even harms performance. No configuration tested decisively beats a mean statistical baseline across domains. Belief-movement and Martingale diagnostics, corrected here for a measurement-noise bias that mislabels rational agents as irrational, show that models overreact to incoming data rather than entrenching on their priors in the contexts studied here. Interestingly, while LLM actions are exploitative, models sincerely intend to explore and consistently act on that intent. This failure is a competence gap arising from context-stickiness. Removing in-context history restores exploration, indicating that priors and data must be decoupled to achieve effective LLM-driven discovery.
• Abstract（参考訳）: 大型言語モデル (LLM) は科学的な発見を促進するためにますます使われている。 LLMが新しいデータや文献の記憶からどのように決定を下すかを理解することは、厳密な実験予算の下で実験を設計することを信頼する前に不可欠である。 しかし,研究エージェントの評価に使用される現在の成績スコアには,その決定戦略は見えない。 ここでは,タンパク質工学,反応最適化,分子設計,ペプチド自己集合,触媒を含む7つの組み合わせデータセットの統計ベースラインに対して,ベイズ最適化設定における5つのフロンティアLCMをベンチマークする。 パフォーマンスはモデル信念と行動の直接的な測定と組み合わせられ、高度に解決された振る舞い分析を可能にする。 文脈を段階的に取り除くプロンプトアブレーションは、暗記を化学推論から分離し、素因果最適化から分離する。 事前の化学知識は期待に役立つが、高いばらつきがあり、時には性能に害を与えることもある。 決定的にテストされた構成は、ドメイン全体で平均的な統計ベースラインを上回っません。 信念運動とマーティンゴールの診断は、合理的なエージェントを不合理であると誤記した測定ノイズバイアスのためにここで修正され、ここで研究された文脈において、モデルが先行する状況に固執するのではなく、入ってくるデータに過度に反応することを示した。 興味深いことに、LLMアクションは悪用されているが、モデルは誠実にその意図を探求し、一貫して行動することを意図している。 この失敗は、コンテキストの曖昧さから生じる能力のギャップです。 文脈内履歴の削除は探索を復元し、LLMによる効率的な発見を実現するためには、先行データとデータを分離する必要があることを示す。

関連論文リスト

• Causal Ensemble Agent: Hierarchical Causal Discovery with LLM-guided Expert Reweighting [95.24017293537025]
  Causal Ensemble Agent (CEA) は、さまざまなグラフレベルにわたる統計発見の専門家による構造的洞察を集約する新しいフレームワークである。 CEAは、幅広い因果発見手法において、最も優れた総合的なパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2026-06-09T09:09:07Z)
• Influence-Guided Symbolic Regression: Scientific Discovery via LLM-Driven Equation Search with Granular Feedback [56.69850045068714]
  逐次的2段階プロセスとして方程式発見をフレーム化する方法である textitInfluence-Guided Regression (IGSR) を導入する。 LLM-SRBench, 薬理学的PKPDモデル, 疫学シミュレーション, 実世界のゲノムデータなど, IGSRの有効性を示す。
  論文  参考訳（メタデータ） (2026-05-27T23:48:01Z)
• From Residuals to Reasons: LLM-Guided Mechanism Inference from Tabular Data [10.795877029195845]
  科学的応用のための機械学習における永続的な課題は、予測と理解を共同で達成することである。 マルチエージェント残差文脈学習(MARICL)を導入する。 MARICLは、すべてのデータセットのベースモデルに対して一貫して改善されている。
  論文  参考訳（メタデータ） (2026-05-21T15:34:08Z)
• Epistemic Blinding: An Inference-Time Protocol for Auditing Prior Contamination in LLM-Assisted Analysis [0.0]
  エピステミックブラインド(英: epistemic blinding)は、エンティティ識別子を匿名のコードに置き換える単純な推論時プロトコルである。 4種類のがん種を対象とする腫瘍薬剤の優先順位付けでは、盲目化は上位20の予測の16%に変化し、検証対象の同一の回復を保っている。 S&P 500エクイティ・スクリーニングでは、ブランド認識バイアスが5つのランダムな種子のトップ20ランキングの30-40%を占めている。
  論文  参考訳（メタデータ） (2026-04-07T16:06:52Z)
• Deciphering Scientific Reasoning Steps from Outcome Data for Molecule Optimization [22.850204283344524]
  結果から科学的推論を解読するフレームワークであるDESROを提案する。 グループ化されたデータ内の共有パターンと重要な違いを分析することで、大きな言語モデル(LLM)が基盤となるロジックを復元することができる。 我々はこの枠組みを分子最適化において、薬物発見の重要な段階としてインスタンス化する。
  論文  参考訳（メタデータ） (2026-03-13T06:25:27Z)
• How and Why LLMs Generalize: A Fine-Grained Analysis of LLM Reasoning from Cognitive Behaviors to Low-Level Patterns [51.02752099869218]
  大きな言語モデル(LLM)は、非常に異なる一般化の振る舞いを示す。 推論を原子核スキルに分解する新しいベンチマークを導入する。 SFTモデルはよりシャープなドリフトと表面パターンへの過度な適合を示すのに対し、RL型モデルはより安定した行動プロファイルを維持し、推論スキルの崩壊に抵抗することを示す。
  論文  参考訳（メタデータ） (2025-12-30T08:16:20Z)
• Realizing LLMs' Causal Potential Requires Science-Grounded, Novel Benchmarks [20.409472830397455]
  因果発見に関するLLM(Large Language Models)による最近の強いパフォーマンスの主張は、重要な欠陥によって損なわれている。 LLMは因果構造を本当に理由付けていますか? LLMの因果解析の可能性を実現するには、(P.1)最近の科学的研究に基づく堅牢な評価プロトコルを開発し、(P.2)LLM由来の知識とデータ駆動統計を組み合わせたハイブリッドな手法を設計することが必要である。
  論文  参考訳（メタデータ） (2025-10-18T14:58:04Z)
• Can Large Language Models Simulate Human Responses? A Case Study of Stated Preference Experiments in the Context of Heating-related Choices [2.2582258282563763]
  ステートド・リセプション(SP)調査は、個人が仮説的、そして未来的シナリオでトレードオフを行う方法を研究するための重要な方法である。 高価で時間を要する傾向があり、応答性疲労や倫理的制約の影響を受けやすい。 本研究では,エネルギー関連調査における消費者選択をシミュレートするための大規模言語モデル (LLM) の利用について検討した。
  論文  参考訳（メタデータ） (2025-03-07T10:37:31Z)
• Can Large Language Models Help Experimental Design for Causal Discovery? [94.66802142727883]
  Large Language Model Guided Intervention Targeting (LeGIT) は、LLMを効果的に組み込んだ堅牢なフレームワークであり、因果発見のための介入のための既存の数値的アプローチを強化する。 LeGITは、既存の方法よりも大幅な改善と堅牢性を示し、人間を超越している。
  論文  参考訳（メタデータ） (2025-03-03T03:43:05Z)
• AutoElicit: Using Large Language Models for Expert Prior Elicitation in Predictive Modelling [53.54623137152208]
  我々はAutoElicitを導入し、大規模言語モデルから知識を抽出し、予測モデルのための事前構築を行う。 これらの先行情報は情報的であり、自然言語を用いて洗練できることを示す。 AutoElicitは、非形式的な事前よりもエラーを大幅に減らし、ラベルを減らし、コンテクスト内学習を一貫して上回ります。
  論文  参考訳（メタデータ） (2024-11-26T10:13:39Z)

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。