論文の概要: From Search to Research: Exploring Search Scaling in Autonomous Quantitative Factor Mining

• arxiv url: http://arxiv.org/abs/2609.35559v1
• Date: Mon, 28 Sep 2026 16:28:08 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-01 20:50:06.962552
• Title: From Search to Research: Exploring Search Scaling in Autonomous Quantitative Factor Mining
• Title（参考訳）: 検索から研究へ:自律的定量的要因抽出における探索スケーリングの探求
• Abstract要約: 推論スケーリングは、大きな言語モデル(LLM)のパフォーマンスを改善することが示されている。 自律型研究における探索スケーリングが研究性能に与える影響について検討する。
• 参考スコア（独自算出の注目度）: 28.55810158617739
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Inference scaling has been shown to improve large language model (LLM) performance, and this principle naturally extends to autonomous LLM agents through increased search budgets, which we refer to as *search scaling*. Although prior work has characterized the mechanisms, scaling behavior, and performance limits of LLM inference scaling, much less is known about these questions in autonomous research. Therefore, we investigate how search scaling affects research performance and what mechanisms drive these gains using 50 quantitative factor-mining tasks grounded in financial research reports. Each task requires an agent to carry out an end-to-end research loop, from interpreting a hypothesis and implementing it in code to evaluating and iteratively refining the resulting factor. Across nine models, we examine how model capability, search depth, and search organization shape factor quality by tracing performance across varying budgets, transferring intermediate research states between models, and comparing different search strategies. We find that (1) initial performance is more strongly associated with model capability, while deeper search can narrow cross-model gaps; (2) model grafting shows that the early research state materially shapes final performance; and (3) parallel search outperforms sequential search under the same iteration budget, consistent with benefits from broader coverage of the search space. Further trajectory analysis shows that higher-performing models more effectively diagnose failures, revise search directions, and preserve the intended economic hypothesis when selecting candidates. These findings suggest that future progress in autonomous research will require stronger models together with adaptive policies for deploying test-time computation throughout the research process.
• Abstract（参考訳）: 推論スケーリングは大規模言語モデル(LLM)の性能を向上させることが示されており、この原理は探索予算の増大を通じて自然に自律型LLMエージェントに拡張されている。 従来の研究は、LSM推論スケーリングのメカニズム、スケーリングの振る舞い、パフォーマンスの限界を特徴付けてきたが、自律的な研究においてこれらの疑問についてはあまり知られていない。 そこで,金融調査報告に基づく50の量的要因マイニングタスクを用いて,探索のスケーリングが研究性能に与える影響と,これらのゲインを駆動するメカニズムについて検討した。 各タスクは、仮説を解釈し、コードでそれを実装することから、結果の要因を評価し、反復的に精査することまで、エンドツーエンドの研究ループを実行するためにエージェントを必要とします。 9つのモデルにまたがって, モデル能力, 探索深度, 探索組織形状の質を, 様々な予算にまたがる性能の追跡, モデル間の中間研究状態の移動, 異なる探索戦略の比較により検討した。 その結果,(1) 初期性能はモデル能力と強く関連していること,(2) より深い探索はモデル間ギャップを狭めること,(2) モデル移植は初期研究状態が最終性能を物質的に形作っていること,(3) 並列探索は同じイテレーション予算下で逐次探索に優れており,検索空間の広い範囲から得られる利点と一致していることがわかった。 さらなる軌道分析により、より高い性能のモデルがより効果的に失敗を診断し、探索方向を変更し、候補を選択する際に意図した経済仮説を維持できることが示されている。 これらの結果は、自律的な研究の今後の進歩には、研究プロセス全体にわたってテスト時間計算をデプロイするための適応的なポリシーとともに、より強力なモデルが必要であることを示唆している。

関連論文リスト

• Beneficial Reasoning Behaviors in Agentic Search and Effective Post-training to Obtain Them [23.986035712600657]
  エージェント探索における効果的な推論行動パターンを研究するための推論駆動パイプラインを提案する。 我々は,情報検証,権限評価,適応探索,エラー回復の4つの有益な推論行動を特定する。 Llama3.2-3B と Qwen3-1.7B では, RL を用いたエージェントサーチモデルを直接訓練した場合と比較して, 行動プライミングが 35% 以上の利得を示す。
  論文  参考訳（メタデータ） (2025-10-08T00:20:35Z)
• MMSearch-R1: Incentivizing LMMs to Search [49.889749277236376]
  MMSearch-R1は,実世界のインターネット環境において,オンデマンドでマルチターン検索が可能な,初のエンドツーエンド強化学習フレームワークである。 本フレームワークは画像検索とテキスト検索の両方を統合し,検索ペナルティによる結果に基づく報酬によって,モデルがいつ,どのように呼び出すかの判断を可能にする。
  論文  参考訳（メタデータ） (2025-06-25T17:59:42Z)
• Search Wisely: Mitigating Sub-optimal Agentic Searches By Reducing Uncertainty [21.96443267949563]
  エージェント検索型Augmented Generation (RAG) システムは,動的かつ多段階の推論と情報検索を可能にし,Large Language Models (LLM) を強化する。 これらのシステムは、オーバーサーチ(冗長な情報を取得する)やアンダーサーチ(必要な情報を取得するのに失敗する)のような準最適探索行動を示すことが多い。 この研究は、これらの振る舞いを公式に定義し、定量化し、複数のQAデータセットとエージェントRAGシステムにまたがるそれらの頻度を明らかにする。
  論文  参考訳（メタデータ） (2025-05-22T20:57:56Z)
• SEM: Reinforcement Learning for Search-Efficient Large Language Models [26.075903427834838]
  大きな言語モデル(LLM)は、推論だけでなく、外部ツールの呼び出しでもその能力を実証している。 既存の強化学習アプローチは、しばしば冗長な探索行動を引き起こす。 本研究では,学習後強化学習フレームワークであるSEMを提案する。
  論文  参考訳（メタデータ） (2025-05-12T09:45:40Z)
• Exploring Training and Inference Scaling Laws in Generative Retrieval [50.82554729023865]
  生成検索は、検索を自己回帰生成タスクとして再構成し、大きな言語モデルがクエリから直接ターゲット文書を生成する。 生成的検索におけるトレーニングと推論のスケーリング法則を体系的に検討し,モデルのサイズ,トレーニングデータスケール,推論時間計算が協調的に性能に与える影響について検討した。
  論文  参考訳（メタデータ） (2025-03-24T17:59:03Z)
• Enhancing LLM Reasoning with Reward-guided Tree Search [95.06503095273395]
  o1のような推論アプローチは困難で、研究者はこのオープンな研究領域を前進させようとさまざまな試みを行ってきた。 本稿では,報酬誘導木探索アルゴリズムを用いて,LLMの推論能力を高めるための予備的な検討を行う。
  論文  参考訳（メタデータ） (2024-11-18T16:15:17Z)

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。