論文の概要: Collaborative Principle Evolution via Evidence Transfer for Scientific Discovery

• arxiv url: http://arxiv.org/abs/2609.35315v1
• Date: Mon, 28 Sep 2026 14:48:57 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-02 06:32:10.489184
• Title: Collaborative Principle Evolution via Evidence Transfer for Scientific Discovery
• Title（参考訳）: 科学的発見のためのエビデンス伝達による協調的原理進化
• Abstract要約: 大規模言語モデル(LLM)に基づくエージェントは科学的発見の自動化を約束するが、膨大な仮説空間の探索には費用がかかる。 既存の原理進化法は、このループを加速するが、連続的に動作し、探索の幅を制限し、困難な問題に対してウォールタイム時間を浪費する。 本稿では,並列分岐上での協調コアによる転送を実現するVOLVEを提案する。
• 参考スコア（独自算出の注目度）: 9.216546947535244
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Large Language Model (LLM)-based agents promise to automate scientific discovery, yet exploring the vast hypothesis space remains costly. Existing principle-evolution methods accelerate this loop, but operate sequentially, which caps exploration breadth and wastes wall-clock time on challenging problems. To address this, we formulate collaborative scientific discovery as evidence transfer between parallel principle-evolution branches. We present COEVOLVE, which realizes this transfer through a coordination core over parallel branches. By integrating value-of-information-gated routing and context-discounted likelihood injection, COEVOLVE enables branches to collaborate through shared measurements while keeping their principle posteriors separate. Across six scientific-discovery tasks under a matched evaluation budget, COEVOLVE attains a mean solution quality of 66.5% versus 57.0% for single-branch principle evolution, with a 1.80x mean wall-clock speedup on the GPT-5.6-Terra backbone; on five auto-research tasks delegated to an autonomous research harness, it is the only arm whose mean stays above the published SOTA anchor on every task. These results establish when evidence sharing accelerates parallel discovery and when transfer safeguards are necessary to limit negative or inert transfers
• Abstract（参考訳）: 大規模言語モデル(LLM)に基づくエージェントは科学的発見の自動化を約束するが、膨大な仮説空間の探索には費用がかかる。 既存の原理進化法は、このループを加速するが、連続的に動作し、探索の幅を制限し、困難な問題に対してウォールタイム時間を浪費する。 これを解決するために、我々は協調科学的発見を、並列原理進化枝間の証拠移動として定式化する。 並列分岐上での協調コアを経由した移動を実現するCOEVOLVEを提案する。 情報公開型ルーティングとコンテキスト分散型可能性注入を統合することで、COEVOLVEは、原則を分離しつつ、共有測定を通じてブランチの協調を可能にする。 一致した評価予算の下での6つの科学的発見タスクの中で、COEVOLVEは単一ブランチの原理の進化において平均解の質を66.5%対57.0%で達成し、GPT-5.6テラのバックボーンでは1.80倍のウォールタイムのスピードアップを達成した。 これらの結果は、証拠共有が並列発見を加速し、陰性または不活性な移動を制限するために転送セーフガードが必要な場合に成立する。

関連論文リスト

• SCoR: A Hierarchical Framework for Forecasting Relations Between Scientific Concepts [3.9489815622117566]
  新たな研究方向性を期待することは、AI支援科学の重要な目標である。 我々は,研究方向の発見を階層的な科学的相関予測として共有された候補ペア空間上で定式化する。 我々は2017年から2026年にかけて発行された187,848 cs.CV論文からSCoR-Graphを構築し,270,687個の統合概念,745万個の共起エッジ,615,036個の型付き有向関係エッジを得た。
  論文  参考訳（メタデータ） (2026-08-27T04:46:10Z)
• Tree-of-Ideas: Automated Research Ideation via Cross-Trajectory Reasoning over Scholarly Evolution [26.89105721320381]
  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。
  論文  参考訳（メタデータ） (2026-08-11T09:56:55Z)
• 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)
• INTACT: Ego-Guided Typed Sparse Evidence Retrieval for Heterogeneous Collaborative Perception [50.64511548643398]
  異種知覚のためのエゴ誘導型スパースエビデンス検索フレームワークを提案する。 IntACTは、エゴの車両に、疑わしい物やエビデンスに欠ける地域を表す型付きエビデンスクエリを発行する。 シミュレーションおよび実世界の異種知覚ベンチマークの実験は、INTACTの有効性とデプロイ性を検証する。
  論文  参考訳（メタデータ） (2026-06-03T04:34:53Z)
• Science Earth: Towards A Planet-Scale Operating System for AI-Native Scientific Discovery [51.70607714288616]
  サイエンスアース(Science Earth)は、惑星規模の科学ランタイムで、あらゆる能力が他のものと接続できる。 その基盤となるEACNプロトコルは、機能を相互に発見し、タスクのオーナシップを交渉し、互換性のない明示的な標準を越えて判断することを可能にする。 2つの実行は、構造的に異なる条件下でこれを検証します。
  論文  参考訳（メタデータ） (2026-05-31T16:05:41Z)
• AutoResearchClaw: Self-Reinforcing Autonomous Research with Human-AI Collaboration [175.74514061083195]
  提案するAutoResearchClawは,5つのメカニズムに基づいて構築されたマルチエージェント自律型研究パイプラインである。 25トピックの実験ステージベンチマークであるARC-Benchでは、AutoResearchClawがAI Scientist v2を54.7%上回っている。
  論文  参考訳（メタデータ） (2026-05-19T15:49:51Z)
• CoTEvol: Self-Evolving Chain-of-Thoughts for Data Synthesis in Mathematical Reasoning [56.866286835885994]
  コテボル(CoTEvol)は、遺伝進化の枠組みであり、個体群に基づく推論の軌跡の探索としてチェイン・オブ・ソート(Chain-of-Thought)の生成を推し進める。 軽量でタスク対応のフィットネス機能は、進化過程を正確で多様な推論へと導くように設計されている。 実証的に、CoTEvolは正しいCoT合成の成功を30%以上改善し、構造的多様性を高め、効率を著しく改善した。
  論文  参考訳（メタデータ） (2026-04-16T08:29:22Z)
• CORAL: Towards Autonomous Multi-Agent Evolution for Open-Ended Discovery [67.47220507982522]
  大規模言語モデル(LLM)ベースの進化は、オープンな発見のための有望なアプローチである。 オープンエンド問題における自律的マルチエージェント進化のための最初のフレームワークであるCORALを紹介する。 コーラルは、厳格な制御を長期にわたるエージェントに置き換え、探索し、反射し、協力する。
  論文  参考訳（メタデータ） (2026-04-02T05:59:06Z)

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。