論文の概要: AIM: Agentic Idea Management for Automated Research

• arxiv url: http://arxiv.org/abs/2609.38445v1
• Date: Tue, 29 Sep 2026 19:37:43 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-01 18:57:26.657661
• Title: AIM: Agentic Idea Management for Automated Research
• Title（参考訳）: AIM:自動研究のためのエージェント的アイデアマネジメント
• Abstract要約: Agentic Idea Manager(AIM)は、アイデア駆動型自動研究における研究方向の管理と探索のためのフレームワークである。 AIMはAgenic SurrogateとAgenic Acquisitionメカニズムを使用して、発見されたアイデアを整理し、それらの選択を導く。 AIMは,壁面時間で最大3.1倍高速なベースライン性能を示す。
• 参考スコア（独自算出の注目度）: 61.92127733694852
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Frontier LLMs are increasingly used to automate scientific research through iterative search. We distinguish idea-driven search from solution-driven search and identify three core challenges: organizing evolving research ideas, selecting promising directions, and maintaining alignment between ideas and their implementations. To address these challenges, we introduce the Agentic Idea Manager (AIM), a fully autonomous framework for managing and exploring research directions in idea-driven automated research. Inspired by Bayesian optimization, AIM uses an Agentic Surrogate and an Agentic Acquisition mechanism to organize discovered ideas and guide their selection. A Solution Auditor maintains idea-solution integrity, while a Resource Planner adaptively allocates the remaining experimental budget across parallel search branches. Experiments on 10 AutoLab benchmark tasks show that AIM surpasses the strongest baseline by 1.6 percentage points on System Optimization tasks and 4.9 percentage points on long-horizon Model Development & CUDA tasks. Notably, AIM reaches the best baseline performance up to 3.1x faster in wall-clock time. We further provide a theoretical analysis of when searching over ideas becomes beneficial. Our analysis shows that explicit idea-level allocation makes semantic coverage directly controllable, and that broader coverage becomes increasingly valuable when competitive research directions are sparse among many plausible alternatives. Project Page: https://imhgchoi.github.io/agentic-idea-manager/
• Abstract（参考訳）: フロンティアLSMは、反復探索による科学研究の自動化にますます利用されている。 我々は、アイデア駆動検索とソリューション駆動検索を区別し、進化する研究のアイデアの整理、有望な方向性の選択、アイデアとその実装の整合性の維持という3つの主要な課題を特定します。 これらの課題に対処するために,アイデア駆動型自動研究における研究方向の管理と探索のための,完全に自律的なフレームワークであるAgentic Idea Manager(AIM)を紹介した。 ベイズ最適化にインスパイアされたAIMは、エージェントサロゲートとエージェント獲得機構を使用して、発見されたアイデアを整理し、それらの選択を導く。 Solution Auditorはアイデア・ソリューションの整合性を維持し、Resource Plannerは並列検索にまたがる実験予算を適応的に割り当てる。 10のAutoLabベンチマークタスクの実験によると、AIMはシステム最適化タスクで1.6ポイント、長期モデル開発&CUDAタスクで4.9ポイント、最強のベースラインを突破している。 特に、AIMはウォールクロック時間で最高3.1倍高速なベースライン性能に達する。 さらに、アイデアの探索が有益になる際の理論的分析も提供する。 我々の分析では、明示的なアイデアレベルのアロケーションは、意味的カバレッジを直接制御可能とし、競争研究の方向性が多くの選択肢の中で希少である場合に、より広い範囲のカバレッジが益々重要になることを示している。 Project Page: https://imhgchoi.github.io/agentic-idea-manager/

関連論文リスト

• IDEAgent: Agentic Quality-Diversity Search for Research Idea Generation [43.08002957114291]
  研究思想は両目的の連携として扱われ,品質多様性(QD)探索の枠組みとして扱われるべきである,と我々は主張する。 我々は,多目的フィードバックを用いて共同で品質を駆動し,軽量なシーケンシャルメモリによって多様性を実現する。 IDEAgentは,8倍以上のトピックで非ゼロのYieldを達成しながら,Yieldの3.89倍のベースラインを達成している。
  論文  参考訳（メタデータ） (2026-07-24T15:03:14Z)
• Deep Research: A Systematic Survey [118.82795024422722]
  Deep Research (DR)は、大規模言語モデルの推論能力と検索エンジンなどの外部ツールを組み合わせることを目的としている。 本調査は,深層研究システムの包括的かつ体系的な概要を提示する。
  論文  参考訳（メタデータ） (2025-11-24T15:28:28Z)
• Barbarians at the Gate: How AI is Upending Systems Research [58.95406995634148]
  システム研究は、新しいパフォーマンス指向アルゴリズムの設計と評価に長年注力してきたが、AI駆動のソリューション発見には特に適している、と私たちは主張する。 このアプローチをAI駆動システム研究(ADRS)と呼び、ソリューションを反復的に生成し、評価し、洗練する。 我々の研究結果は、AI時代のシステム研究の実践に急激な適応の必要性と破壊的な可能性を浮き彫りにしている。
  論文  参考訳（メタデータ） (2025-10-07T17:49:24Z)
• AI-SearchPlanner: Modular Agentic Search via Pareto-Optimal Multi-Objective Reinforcement Learning [7.913125061214038]
  探索計画に着目し,凍結QAモデルの性能向上を目的とした新しい強化学習フレームワークである textbfAI-SearchPlanner を提案する。 実世界のデータセットの実験では、AI SearchPlannerが既存のRLベースの検索エージェントを効率と効率の両方で上回っていることが示されている。
  論文  参考訳（メタデータ） (2025-08-28T02:31:17Z)
• Towards AI-Empowered Crowdsourcing [27.0404686687184]
  本稿では,AIを活用したクラウドソーシングをタスク委譲,労働者のモチベーション,品質管理の3分野に分けた分類法を提案する。 限界と洞察を議論し、これらの領域で研究を行う上での課題を整理し、将来有望な研究方向性を明らかにする。
  論文  参考訳（メタデータ） (2022-12-28T05:06:55Z)
• Planning-oriented Autonomous Driving [60.93767791255728]
  我々は、最終目標、すなわち自動運転車の計画を追求するために、好ましいフレームワークを考案し、最適化すべきであると主張している。 フルスタック運転タスクをひとつのネットワークに組み込んだ総合的なフレームワークであるUnified Autonomous Driving (UniAD)を紹介した。
  論文  参考訳（メタデータ） (2022-12-20T10:47:53Z)

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。