論文の概要: Fork-and-Flush: Escaping Idea Basins in Autoresearch Agents

• arxiv url: http://arxiv.org/abs/2610.07447v1
• Date: Mon, 05 Oct 2026 21:55:52 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-08 02:58:29.68798
• Title: Fork-and-Flush: Escaping Idea Basins in Autoresearch Agents
• Title（参考訳）: Fork-and-Flush: 自動検索エージェントにおける理想盆地の脱出
• Abstract要約: 同じタスクにおける同一エージェントの独立した実行は、しばしばかなり異なるスコアでプラトーを示す。 エージェントがこれらの盆地から逃れるのを助けるために,簡単な周期的介入,フォーク・アンド・フローシュの研究を行った。
• 参考スコア（独自算出の注目度）: 37.601778896662246
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Autoresearch agents tackle open-ended problems by repeatedly proposing candidate solutions, evaluating them, and using feedback to guide subsequent experiments. We show that independent runs of the same agent on the same task often plateau at substantially different scores, with gaps that persist even after considerable additional compute. Embedding their candidate artifacts by functional similarity provides further evidence that trajectories remain in localized regions of the solution space, which we call idea basins. To help agents escape these basins, we study a simple periodic intervention, fork-and-flush. Our method forks the agent into parallel trajectories, each inheriting the accumulated workspace but starting with a fresh chat context. After running each trajectory for a fixed horizon, the agent continues from the highest-scoring one. Across 13 long-horizon research and engineering tasks, with individual agent runs lasting up to several days, fork-and-flush outperformed the single-run and best-of-N baselines by a relative improvement of 66.0% and 44.4%, respectively, on the min-max normalized average score under an equal compute budget.
• Abstract（参考訳）: 自動検索エージェントは、候補ソリューションを何度も提案し、評価し、フィードバックを使ってその後の実験をガイドすることで、オープンな問題に対処する。 同じタスク上の同一エージェントの独立実行は、しばしばかなり異なるスコアで高められ、余分な計算をした後でもその差は持続する。 それらの候補アーティファクトを機能的類似性によって埋め込むことで、トラジェクトリが解空間の局所的な領域に留まっているというさらなる証拠が得られる。 エージェントがこれらの盆地から逃れるのを助けるために,簡単な周期的介入,フォーク・アンド・フローシュの研究を行った。 我々の手法はエージェントを並列トラジェクトリにフォークし、それぞれが蓄積したワークスペースを継承するが、新しいチャットコンテキストから始める。 固定された水平線のために各軌道を走らせた後、エージェントは最も高い位置から続く。 13のロングホライズンの研究と工学のタスクで、個々のエージェントは最大数日間稼働し、同じ計算予算の下でのmin-max正規化平均スコアでは、それぞれ66.0%と44.4%の相対的な改善で、単走と最高Nのベースラインを上回った。

関連論文リスト

• MeshHeal: Two-Timescale Self-Healing for Gray Failures in Decentralized LLM Agent Networks [60.95806999869478]
  MeshHealは、完全に分散化された自己修復フレームワークである。 能力にマッチしたピアレビューを2つのタイムスケールに分けている。 1タスクあたり51kのトータルモデルトークンを使用して0.839の劣化位相精度を達成し、最強のベースラインでは1タスクあたり115kの0.807の精度を達成した。
  論文  参考訳（メタデータ） (2026-09-24T04:29:37Z)
• Explore Before Committing: Hypothesis-Guided Search for Deep Research Agents [31.422069133506696]
  Deep-Researchエージェントは、検索やブラウジングツールと対話することで、複雑な質問に答える。 我々の軌道レベルの分析では、エージェントがいくつかの可能な方向を持つ早期探索状態に遭遇する共通の故障モードが明らかである。 ソフト検索ヒントとして軽量な仮説を生成するPhySearchを提案する。
  論文  参考訳（メタデータ） (2026-09-01T14:27:37Z)
• Scalable Multi-Agent Maze Traversal with Local Communication [1.2875771631391097]
  エージェントが未知の、おそらく巡回グラフを一括してトラバースできる分散アルゴリズムを提案する。 エージェントは指定されたスタートノードで順次入力され、ローカライズされ、未公表のゴールに到達する。 いずれにせよ、探査はエージェントの1人のみが行う。
  論文  参考訳（メタデータ） (2026-08-12T10:21:26Z)
• SwarmResearch: Orchestrating Coding Agents for Open-Ended Discovery [11.64410415121195]
  オート検索のような長期にわたる符号化エージェントは、オープンエンド問題の最適化を継続的に発見することができる。 我々はSwarmResearchを紹介した。SwarmResearchは、シェパードエージェントがグローバルコンテキストを使用して検索エージェントの集団を操るオーケストレータ・サブエージェントハーネスである。 オープンエンド最適化タスクにおいて、SwarmResearchは最先端のLLM誘導進化とマルチエージェント技術に対するより良い、あるいは同等のソリューションを発見する。
  論文  参考訳（メタデータ） (2026-07-02T22:47:35Z)
• Beyond Mode Collapse: Distribution Matching for Diverse Reasoning [69.88237286885065]
  GRPOのようなオンライン強化学習手法はモード崩壊に悩まされる。 このことは、逆KL最小化のモード探索行動に由来することを示す。 KL最小化の原理的近似によりモード崩壊を防止するDMPOを提案する。
  論文  参考訳（メタデータ） (2026-05-19T07:13:00Z)
• Discrete Diffusion for Complex and Congested Multi-Agent Path Finding with Sparse Social Attention [23.40140861152013]
  MAPF(Multi-Agent Path Finding)は、グローバルに一貫した計算を必要とする協調問題である。 密集した環境では、最適でない初期計画は複合的な紛争を引き起こし、実現可能な修復を妨げる。 本稿では,分散拡散確率モデル(D3PM)をLSS2と統合したハイブリッドフレームワークDiffSLNを提案する。
  論文  参考訳（メタデータ） (2026-05-13T10:10:22Z)
• Eigen-1: Adaptive Multi-Agent Refinement with Monitor-Based RAG for Scientific Reasoning [53.45095336430027]
  暗黙的な検索と構造化された協調を組み合わせた統合フレームワークを開発する。 Humanity's Last Exam (HLE) Bio/Chem Goldでは,48.3%の精度を実現している。 SuperGPQAとTRQAの結果はドメイン間の堅牢性を確認した。
  論文  参考訳（メタデータ） (2025-09-25T14:05:55Z)
• 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)
• Never Give Up: Learning Directed Exploration Strategies [63.19616370038824]
  そこで我々は,多岐にわたる探索政策を学習し,ハード・サーベイ・ゲームを解決するための強化学習エージェントを提案する。 エージェントの最近の経験に基づいて,k-アネレスト隣人を用いたエピソード記憶に基づく本質的な報酬を構築し,探索政策を訓練する。 自己教師付き逆動力学モデルを用いて、近くのルックアップの埋め込みを訓練し、エージェントが制御できる新しい信号をバイアスする。
  論文  参考訳（メタデータ） (2020-02-14T13:57:22Z)

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。