論文の概要: ROAR: Unifying Runs across Heterogeneous AI-Driven Research Systems

• arxiv url: http://arxiv.org/abs/2610.03966v1
• Date: Fri, 02 Oct 2026 19:21:07 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-12 21:20:24.258146
• Title: ROAR: Unifying Runs across Heterogeneous AI-Driven Research Systems
• Title（参考訳）: ROAR:不均一なAI駆動研究システムにおける実行を統一する
• Abstract要約: ROARは異種ADRS出力の統一と解析のためのソリューションである。 複数のADRSから900以上のランのコーパスを構築します。 プールされたデータは、観察が難しい問題景観の性質を明らかにすることができることを示す。
• 参考スコア（独自算出の注目度）: 11.138341064588133
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Each run of an AI-driven research system (ADRS) is an expensive search over a vast solution space, and dependable evaluation requires many runs, making run data both costly to produce and valuable to retain for large-scale analysis. Yet this data remains fragmented: teams operate in isolation, ADRS frameworks emit results in different formats, and no shared infrastructure exists to aggregate or compare runs across problems and systems. We present ROAR, a solution for systematically unifying and analyzing heterogeneous ADRS outputs. ROAR addresses two challenges: reconciling heterogeneous ADRS outputs and enabling analytics across runs with different objectives and scoring functions. We achieve this through a relational schema and parsing layer that normalize heterogeneous ADRS outputs while preserving data lineage and temporal structure, and accommodating new systems without requiring schema modifications. From building a corpus of more than 900 runs from multiple ADRS, we show how pooled data can reveal properties of problem landscapes that are difficult to observe. Consistent with prior work, runs with identical configurations may converge to different scores. We find that many runs realize most gains early, and that the effectiveness of different strategies for incorporating prior solutions into the search process varies across problems. We further show that the pooled corpus is actionable and not merely analytical by using ROAR to configure ADRS runs. Together, these results illustrate how pooled ADRS data can expose problem-dependent structure in search behavior that is difficult to detect from any single system, team, or benchmark. Such cross-cutting insights are difficult to obtain while runs remain siloed; ROAR is the first infrastructure designed to unify them.
• Abstract（参考訳）: AI駆動リサーチシステム(ADRS)の各実行は、巨大なソリューション空間を検索する上で高価なものであり、信頼性の高い評価には多くの実行が必要である。 チームは独立して運用し、ADRSフレームワークは異なるフォーマットで結果を出力し、問題やシステム間の実行を集約または比較するための共有インフラストラクチャは存在しない。 ヘテロジニアスADRS出力を系統的に統一・解析するためのROARを提案する。 ROARは、異種ADRS出力の調整と、異なる目的を持った実行中の分析とスコアリング機能の実現という2つの課題に対処する。 我々は、データ系統や時間構造を保存しながら不均一なADRS出力を正規化し、スキーマ変更を必要とせずに新しいシステムを統合するリレーショナルスキーマと解析層を通じてこれを実現する。 複数のADRSから900以上のコーパスを構築することで、プールされたデータがどのように観察が難しい問題景観の特性を明らかにするかを示す。 以前の作業と一致して、同じ構成で実行すると、異なるスコアに収束する。 多くの実行が早期に多くの利益を達成し、先行ソリューションを検索プロセスに組み込むための様々な戦略の有効性が問題によって異なることが判明した。 さらに, ROARを用いてADRS実行を設定することで, プールしたコーパスが動作可能であることを示す。 これらの結果は、プールされたADRSデータが、単一のシステム、チーム、またはベンチマークから検出するのが難しい検索行動における問題依存構造を明らかにする方法を示している。 このような横断的な洞察を得るのは難しいが、実行はサイロ化され続けており、ROARはそれらを統一するために設計された最初のインフラである。

関連論文リスト

• Agentic DAG-Orchestrated Planner Framework for Multi-Modal, Multi-Hop Question Answering in Hybrid Data Lakes [5.276278723196607]
  Agentic DAG-Orchestrated Transformer (A.DOT) Plannerはマルチモーダル・マルチホップ質問応答のためのフレームワークである。 A.DOTは、ユーザNLクエリを構造化および非構造化の両方にまたがる有向非巡回グラフ(DAG)実行計画にコンパイルする。 System Decomposes query into parallelizable sub-queries, includess schema-aware reasoning, and applied both structure and semantic validation。
  論文  参考訳（メタデータ） (2026-03-15T05:34:16Z)
• Relatron: Automating Relational Machine Learning over Relational Databases [50.94254514286021]
  本稿では, RDL と DFS を共有設計空間に統合し, 多様な RDB タスクを対象としたアーキテクチャ中心の検索を行う。 RDLはDFSを一貫して上回り、高いタスク依存性を持つ。(2)タスク全体において単一のアーキテクチャが支配的であり、タスク認識モデル選択の必要性を強調し、精度は選択アーキテクチャの信頼性の低いガイドである。
  論文  参考訳（メタデータ） (2026-02-26T02:45:22Z)
• Let the Barbarians In: How AI Can Accelerate Systems Performance Research [80.43506848683633]
  我々は、この繰り返しサイクルを、AI駆動システム研究の生成、評価、洗練のサイクルと呼ぶ。 我々はADRSが生成するソリューションが人間の最先端の設計に適合し、さらに優れることを示した。
  論文  参考訳（メタデータ） (2025-12-16T18:51:23Z)
• Search Is Not Retrieval: Decoupling Semantic Matching from Contextual Assembly in RAG [0.0]
  本稿では,細粒度検索表現と粗粒度検索コンテキストを区別する2層アーキテクチャである検索-Is-Not-Retrieve(SINR)フレームワークを紹介する。 SINRは、小さな意味論的に正確な検索チャンクをより大きく、文脈的に完全なチャンクに直接接続することで、検索システムの構成可能性、拡張性、コンテキスト忠実性を向上する。
  論文  参考訳（メタデータ） (2025-11-07T02:51:20Z)
• 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)
• RARE: Retrieval-Aware Robustness Evaluation for Retrieval-Augmented Generation Systems [33.389969814185214]
  Retrieval-Augmented Generation (RAG)は、回答の正確性と事実性を高める。 既存の評価では、RAGシステムが現実世界のノイズ、内部と外部の取得したコンテキストの衝突、あるいは急速に変化する事実にどれくらいうまく対処しているかを検査することはめったにない。 本稿では,動的で時間に敏感なコーパス上でのストレステストクエリと文書摂動を共同で行う,統一されたフレームワークと大規模ベンチマークであるRetrieval-Aware Robustness Evaluation (RARE)を紹介する。
  論文  参考訳（メタデータ） (2025-06-01T02:42:36Z)
• ROGRAG: A Robustly Optimized GraphRAG Framework [45.947928801693266]
  グラフベースの検索強化生成(GraphRAG)は、動的検索のためのグラフとしてドメイン知識を構造化することによってこの問題に対処する。 既存のパイプラインには複雑なエンジニアリングが含まれており、個々のコンポーネントの影響を分離することは困難である。 本稿では,ロバストに最適化されたGraphRAGフレームワークであるROGRAGを紹介する。
  論文  参考訳（メタデータ） (2025-03-09T06:20:24Z)

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。