論文の概要: AgentDiscover: Autonomous Discovery with Minimal Search Scaffolding

• arxiv url: http://arxiv.org/abs/2610.05334v1
• Date: Sun, 04 Oct 2026 15:55:47 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-10 21:30:46.102214
• Title: AgentDiscover: Autonomous Discovery with Minimal Search Scaffolding
• Title（参考訳）: AgentDiscover:最小限の検索シャッフルによる自律的な発見
• Abstract要約: 我々は、AgentDiscoverを導入し、コーディングエージェントは、そのコンテキストをワーキングメモリとして使用して検索を計画できる。 サーバはデータベースを保守し、提出のたびにエージェントを操縦し、長期にわたってそれを継続する。 カーネルエンジニアリング、生物学、アルゴリズム設計、数学におけるタスクにおいて、AgentDiscoverは以前の発見フレームワークより優れている。
• 参考スコア（独自算出の注目度）: 7.409479213840382
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Frameworks that use large language models for scientific discovery typically rely on a fixed, human-designed algorithm that decides what the model sees at each step, leaving the model only the role of proposer. The model knows nothing of the search beyond what it is shown. As models grow more capable, a question arises: does a search strategy chosen by a human before the run scale better than promoting the model from proposer to planner and letting it own the search? The Bitter Lesson suggests that choosing the strategy in advance is the kind of hand-designed structure that general methods eventually outscale. We introduce AgentDiscover, in which a coding agent plans the search using its context as working memory, runs experiments, and records every attempt in a database of ideas, candidates, and their relations. This database serves as the agent's long-term memory and is structured so that the selection rules of classical algorithms such as MAP-Elites and Monte Carlo tree search each reduce to a single query, which the agent is free to use, combine, or replace. A server maintains the database and steers the agent after every submission, keeping it on course over long runs. In our experiments, AgentDiscover is more cost-efficient than existing frameworks, reaching better scores at lower cost. On tasks in kernel engineering, biology, algorithm design, and mathematics, AgentDiscover outperforms prior discovery frameworks. Its programs would have placed first among human competitors in seven past AtCoder heuristic contests, and on eleven mathematical and systems optimization tasks it matches or exceeds every baseline that uses the same model. Our code is available at https://github.com/mhdfb/AgentDiscover.
• Abstract（参考訳）: 科学的な発見のために大きな言語モデルを使用するフレームワークは、一般的に、モデルが各ステップで何を見るかを決定する、固定された人間設計のアルゴリズムに依存し、モデルがプロジェクタの役割だけを残す。 モデルは、表示されているもの以外、検索について何も知らない。 モデルがより有能になるにつれて、疑問が生じる: 実行前に人間が選択した検索戦略は、提案者からプランナーへモデルを推進し、検索を所有するよりも優れているか? Bitter Lessonは、事前に戦略を選択することは、最終的に一般的な方法がオーバースケールする手作りの構造の一種である、と示唆している。 我々はAgentDiscoverを紹介し、コーディングエージェントがそのコンテキストをワーキングメモリとして使用して検索を計画し、実験を行い、アイデア、候補、それらの関係のデータベースに全ての試行を記録します。 このデータベースはエージェントの長期記憶として機能し、MAP-Elitesやモンテカルロ木探索のような古典的なアルゴリズムの選択規則が、エージェントが自由に使用、結合、置換できる単一のクエリに還元されるように構成されている。 サーバはデータベースを保守し、提出のたびにエージェントを操縦し、長期にわたってそれを継続する。 実験では、AgentDiscoverは既存のフレームワークよりもコスト効率が高く、より低いコストでスコアが得られます。 カーネルエンジニアリング、生物学、アルゴリズム設計、数学におけるタスクにおいて、AgentDiscoverは以前の発見フレームワークより優れている。 同社のプログラムは、過去7回のAtCoderヒューリスティックコンテストで人間の競争相手の中で第一位となり、11の数学的およびシステム最適化タスクでは、同じモデルを使用するすべてのベースラインと一致または超えている。 私たちのコードはhttps://github.com/mhdfb/AgentDiscover.comで公開されています。

関連論文リスト

• AgentFold: Closed-Loop Agentic Search for Protein Folding Model Design [27.154390712714264]
  我々は,折りたたみモデル開発を,実行可能なコードバリアントに対するクローズドループ検索として定式化するフレームワークであるAgentFoldを提案する。 一致した計算予算の下で、AgentFoldは、独立したCodex提案よりも最高のlDDTを7.5%改善する。 結果として生じる介入の痕跡は、反復的な経験的デザインパターンを示す。
  論文  参考訳（メタデータ） (2026-08-27T07:38:16Z)
• Recovering Wasted Compute in Autoresearch Agents [35.718169903054736]
  自動検索システムのコアにおけるモデリングパイプラインについて検討し、一般的な障害モードを同定する。 自動検索エージェントの性能向上は,エージェント設計だけで達成できることが判明した。
  論文  参考訳（メタデータ） (2026-08-11T03:15:08Z)
• The Optimizer Is the Agent: Reasoning-Driven Search across Prompts, Programs, and ML Workflows [72.9051182568928]
  推論駆動最適化のための統合フレームワークであるReASearchを提案する。 共有エージェントループとドメイン固有のツールにより、ReASearchは、プロンプト、プログラム、MLを最適化するために、まったく同じスキャフォールドをインスタンス化する。 我々は,複雑な探索行動がエージェントの推論プロセスから自然に現れることを観察する。
  論文  参考訳（メタデータ） (2026-08-07T02:15:39Z)
• SearchOS-V1: Towards Robust Open-Domain Information-Seeking Agent Collaboration [77.28003194268977]
  SearchOSは、脆弱で暗黙的な検索進捗を明示的で永続的で共有状態に変換するシステムレベルのマルチエージェントフレームワークである。 SOCM上に構築されたSearchOSは、サブエージェントの実行を重複させるパイプライン並列スケジューリングメカニズムを適用している。 SearchOSは評価されたシングルエージェントとマルチエージェントのベースラインの中で、すべてのメトリクスをリードする。
  論文  参考訳（メタデータ） (2026-07-16T17:51:23Z)
• AgentSwift: Efficient LLM Agent Design via Value-guided Hierarchical Search [58.98450205734779]
  大規模言語モデル(LLM)エージェントは、多様なドメインにまたがる強力な機能を示している。 既存のエージェントサーチ手法には3つの大きな制限がある。 これらの課題に対処するための包括的なフレームワークを導入します。
  論文  参考訳（メタデータ） (2025-06-06T12:07:23Z)
• Tree Search for Language Model Agents [73.97960454223164]
  対話型Web環境での探索と多段階計画を行うために,LMエージェントの推論時探索アルゴリズムを提案する。 我々のアプローチは、実環境空間内で機能する最優先木探索の一形態である。 現実的なWebタスクにおいて有効性を示すLMエージェントのための最初の木探索アルゴリズムである。
  論文  参考訳（メタデータ） (2024-07-01T17:07:55Z)
• Monte-Carlo Tree Search for Multi-Agent Pathfinding: Preliminary Results [60.4817465598352]
  マルチエージェントパスフィンディングに適したモンテカルロ木探索(MCTS)のオリジナル版を紹介する。 具体的には,エージェントの目標達成行動を支援するために,個別の経路を用いる。 また,木探索手順の分岐係数を低減するために,専用の分解手法を用いる。
  論文  参考訳（メタデータ） (2023-07-25T12:33:53Z)
• Autoregressive Search Engines: Generating Substrings as Document Identifiers [53.0729058170278]
  自動回帰言語モデルは、回答を生成するデファクト標準として現れています。 これまでの研究は、探索空間を階層構造に分割する方法を探究してきた。 本研究では,検索空間の任意の構造を強制しない代替として,経路内のすべてのngramを識別子として使用することを提案する。
  論文  参考訳（メタデータ） (2022-04-22T10:45:01Z)
• NASE: Learning Knowledge Graph Embedding for Link Prediction via Neural Architecture Search [9.634626241415916]
  リンク予測は、知識グラフ(KG)におけるエンティティ間の欠落した接続を予測するタスクである これまでの研究では、Automated Machine Learning(AutoML)を使用して、データセットに最適なモデルを探していた。 リンク予測タスクのための新しいニューラルネットワーク探索(NAS)フレームワークを提案する。
  論文  参考訳（メタデータ） (2020-08-18T03:34:09Z)

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。