論文の概要: Experimental Experience Modeling for Autonomous Research

• arxiv url: http://arxiv.org/abs/2609.39392v1
• Date: Wed, 30 Sep 2026 09:39:30 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-01 18:57:27.524746
• Title: Experimental Experience Modeling for Autonomous Research
• Title（参考訳）: 自律的な研究のための実験モデル
• Abstract要約: 本稿では,実験的な意思決定を行うためのフレームワークである実験経験モデリング(EEM)を紹介する。 EEMは、初期の実験軌道から決定関連レコードを抽出し、再利用可能な体験に蒸留し、経験ライブラリーに整理する。 EEMは、需要に関する意思決定関連エクスペリエンスの欠如を取得するために、目標とする低コストなパイロット実験を実施する。 そして、この新たに取得した経験と、検索した歴史的経験を組み合わせることで、その方向が本格的な評価を保証できるかどうかを判断する。
• 参考スコア（独自算出の注目度）: 74.75443711890406
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Autonomous research agents can generate hypotheses and conduct experiments, but experimentation remains a major source of computational cost. A fundamental challenge is deciding which experiments are worth running, particularly when prior evidence is insufficient to resolve uncertainty. Yet current research agents lack a systematic way to leverage experimental experience when making such decisions. We introduce Experimental Experience Modeling (EEM), a framework for making informed experimental decisions by acquiring, reusing, and accumulating experimental experience. EEM extracts decision-relevant records from earlier experimental trajectories, distills them into reusable experience, and organizes them in an experience library. For a new experimental decision, EEM retrieves relevant historical experience and assesses whether it provides sufficient support for deciding whether a candidate direction warrants further investment. When historical experience is insufficient, EEM conducts a targeted, low-cost pilot experiment to acquire the missing decision-relevant experience on demand. It then combines this newly acquired experience with retrieved historical experience to determine whether the direction warrants full-scale evaluation, which requires substantial resources. The resulting experimental outcomes are further distilled into reusable experience, allowing the library to continually grow through iterative accumulation. Experiments on autonomous research benchmarks show that EEM improves research performance while reducing model interaction overhead, demonstrating the value of reusing accumulated experience and acquiring additional experience only when needed.
• Abstract（参考訳）: 自律的な研究エージェントは仮説を生成し、実験を行うことができるが、実験は依然として計算コストの主要な源である。 根本的な課題は、特に不確実性を解決するのに事前の証拠が不十分な場合に、どの実験が実行に値するかを決定することである。 しかし、現在の研究機関では、そのような決定を行う際に実験的な経験を活用する体系的な方法が欠如している。 本稿では,実験経験の獲得,再利用,蓄積による情報実験決定のためのフレームワークである実験経験モデリング(EEM)を紹介する。 EEMは、初期の実験軌道から決定関連レコードを抽出し、再利用可能な体験に蒸留し、経験ライブラリーに整理する。 新たな実験的な決定のために、EEMは関連する歴史的経験を回収し、候補方向がさらなる投資を保証できるかどうかを判断するための十分な支援を提供するかどうかを評価する。 歴史的経験が不十分な場合、EEMは目標とする低コストのパイロット実験を行い、需要に関する決定関連経験の欠如を取得する。 そして、この新たに取得した経験と、検索した歴史的経験を組み合わせることで、その方向がかなりのリソースを必要とする本格的な評価を保証できるかどうかを判断する。 実験結果はさらに再利用可能な体験へと蒸留され、図書館は反復的な蓄積を通じて継続的に成長する。 自律的な研究ベンチマークの実験では、EEMはモデル間の相互作用のオーバーヘッドを減らし、蓄積した経験を再利用する価値を示し、必要に応じて追加の体験を取得することで、研究パフォーマンスを向上させる。

関連論文リスト

• Rethinking Experience Utilization in Self-Evolving Language Model Agents [51.10420305280499]
  自己進化剤は過去の相互作用から経験を蓄積し再利用することで改善する。 本稿では,自己進化型エージェントの重要設計次元としての利用経験について考察する。
  論文  参考訳（メタデータ） (2026-05-08T02:48:49Z)
• Towards Improving the External Validity of Software Engineering Experiments with Transportability Methods [3.9236728810856714]
  本稿では,輸送性手法とその前提条件について紹介し,シミュレーションによりその可能性を実証する。 次に、これらの手法が適用可能ないくつかのSE研究シナリオについて概説する。 最後に,SE研究者を支援するための道路地図と実践的ガイドラインについて概説する。
  論文  参考訳（メタデータ） (2026-04-09T12:57:26Z)
• Reasonable Experiments in Model-Based Systems Engineering [0.353609699122309]
  デジタルおよび/または物理資産の実験を管理するための枠組みを提案する。 我々は、実験データを効率的に再利用するために、ドメイン知識を用いたケースベースの推論に焦点を当てる。
  論文  参考訳（メタデータ） (2025-09-12T19:24:53Z)
• MOOSE-Chem3: Toward Experiment-Guided Hypothesis Ranking via Simulated Experimental Feedback [136.27567671480156]
  先行テストからのフィードバックに基づいて仮説を優先順位付けする実験誘導ランキングを導入する。 我々は、シーケンシャルな意思決定問題として実験誘導型ランキングを定めている。 我々のアプローチは、実験前のベースラインと強い改善を著しく上回る。
  論文  参考訳（メタデータ） (2025-05-23T13:24:50Z)
• Iterative Experience Refinement of Software-Developing Agents [81.09737243969758]
  大規模な言語モデル(LLM)は、過去の経験を活用してエラーを低減し、効率を高めることができる。 本稿では,LLMエージェントがタスク実行中に反復的に経験を洗練できる反復体験精錬フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-05-07T11:33:49Z)
• Adaptive Instrument Design for Indirect Experiments [48.815194906471405]
  RCTとは異なり、間接的な実験は条件付き機器変数を利用して治療効果を推定する。 本稿では,データ収集ポリシーを適応的に設計することで,間接実験におけるサンプル効率の向上に向けた最初のステップについて述べる。 我々の主な貢献は、影響関数を利用して最適なデータ収集ポリシーを探索する実用的な計算手順である。
  論文  参考訳（メタデータ） (2023-12-05T02:38:04Z)

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。