論文の概要: IdeaAnchor: Teaching LLMs to Turn Literature into Research Ideas

• arxiv url: http://arxiv.org/abs/2610.08781v1
• Date: Tue, 06 Oct 2026 17:59:01 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-08 02:58:30.164129
• Title: IdeaAnchor: Teaching LLMs to Turn Literature into Research Ideas
• Title（参考訳）: IdeaAnchor:LLMに文学を研究のアイデアに変えることを教える
• Abstract要約: 本稿では,LLMの学習パラダイムであるIdeanAnchorを紹介した。 それぞれのIdeanAnchorインスタンスは、各入力紙がどのようにして、機能的役割、関係性、ターゲット合成基準を含む、成功したアイデアに合成されるべきかをエンコードする。
• 参考スコア（独自算出の注目度）: 57.16473882316445
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Scientific research often begins by synthesizing ideas from a set of related papers to identify gaps and formulate new directions. However, training language models to perform this form of literature-grounded ideation remains challenging, as existing approaches based on prompting or feedback lack structured supervision for how papers should be synthesized. We introduce IdeaAnchor, a paradigm for training LLMs to perform research ideation using structured specifications as privileged signals. Each IdeaAnchor instance encodes how each input paper should be synthesized into a successful idea, including their functional roles, relationships, and target synthesis criteria. We build this paradigm by mining instances from published papers, capturing how real ideas emerge from prior literature. We then train models via demonstration, self-distillation, and reinforcement learning, and further enhance generation with retrieval at inference time. Experiments show consistent improvements in ideation quality. Our analysis reveals a functional decomposition: anchor-based training strengthens creative synthesis, retrieval enhances detail elaboration, and combining both yields the best performance.
• Abstract（参考訳）: 科学研究は、しばしば、ギャップを特定し、新しい方向を定式化するために、関連する論文の集合からアイデアを合成することから始まる。 しかし、この形式の文献を基盤とした思考を行うための言語モデルの訓練は、論文の合成方法に関する構造化された監督が欠如しているため、依然として困難である。 本稿では,LLMの学習パラダイムであるIdeanAnchorを紹介した。 それぞれのIdeanAnchorインスタンスは、各入力紙がどのようにして、機能的役割、関係性、ターゲット合成基準を含む、成功したアイデアに合成されるべきかをエンコードする。 このパラダイムは、出版された論文からインスタンスをマイニングすることで構築され、実際のアイデアが以前の文献からどのように出現するかを捉えます。 次に、実演、自己蒸留、強化学習を通じてモデルを訓練し、推論時間による生成をさらに強化する。 実験では、アイデアの質が一貫した改善を示している。 アンカーベースのトレーニングは創造的な合成を強化し、検索は詳細作成を強化し、両者を組み合わせることで最高のパフォーマンスを得る。

関連論文リスト

• Alien Science: Sampling Coherent but Cognitively Unavailable Research Directions from Idea Atoms [53.907293349123506]
  大規模な言語モデルは、しばしば、現在のコミュニティにとって一貫性があり、無関心なアイデアを生み出すのに失敗する。 我々は、このギャップを認知的可用性によって形式化し、研究の方向性が典型的な研究者によって自然に提案される可能性について述べる。 我々は、原子の集合が実行可能な方向を構成するかどうかをスコアするコヒーレンスモデルと、その方向が生成される確率をスコアするアベイラビリティモデルという2つの補完モデルを学ぶ。
  論文  参考訳（メタデータ） (2026-03-01T13:05:19Z)
• Deep Ideation: Designing LLM Agents to Generate Novel Research Ideas on Scientific Concept Network [9.317340414316446]
  本稿では,キーワード共起関係と文脈関係をキャプチャする科学ネットワークを統合する枠組みを提案する。 現実のレビュアーのフィードバックに基づいて訓練された批評家エンジンは、アイデアの新規性と実現可能性に関する継続的なフィードバックを提供することによって、プロセスをガイドする。 当社のアプローチでは,他の手法に比べて10.67%の品質向上を実現しています。
  論文  参考訳（メタデータ） (2025-11-04T04:00:20Z)
• The Ramon Llull's Thinking Machine for Automated Ideation [52.06378166909451]
  提案手法は, テーマ, ドメイン, メソッドの3つの構成軸を定義する。 我々は,LLMをキュレートした組み合わせで促進することで,多種多様で関連性があり,現在の文献に根ざした研究思想が生み出されることを示す。 この現代的な思考マシンは、科学的創造性を増強するための軽量で解釈可能なツールを提供し、人間とAIの協調的な概念化への道筋を示唆している。
  論文  参考訳（メタデータ） (2025-08-26T17:03:43Z)
• Chain of Ideas: Revolutionizing Research Via Novel Idea Development with LLM Agents [64.64280477958283]
  科学文献の急激な増加は、研究者が最近の進歩と意義ある研究方向を見極めるのを困難にしている。 大規模言語モデル(LLM)の最近の発展は、新しい研究のアイデアを自動生成するための有望な道のりを示唆している。 本研究では, チェーン構造に関連文献を整理し, 研究領域の進展を効果的に反映する, LLMベースのエージェントであるChain-of-Ideas(CoI)エージェントを提案する。
  論文  参考訳（メタデータ） (2024-10-17T03:26:37Z)
• IdeaSynth: Iterative Research Idea Development Through Evolving and Composing Idea Facets with Literature-Grounded Feedback [26.860080743555283]
  Idea Synth(イデオロギーシンス)は、文学的なフィードバックを用いて研究問題、ソリューション、評価、コントリビューションを表現する研究アイデア開発システムである。 我々の研究室研究(N)では、Idea Synthを用いて、参加者はより代替的なアイデアを探求し、LLMベースのベースラインと比較してより詳細で初期アイデアを拡張した。 展開調査 (N=7) では, 実世界の研究プロジェクトにおいて, 初期アイデアの展開から, 成熟した原稿のフレーミングの見直しに至るまで, 効果的にIdea Synthを活用できた。
  論文  参考訳（メタデータ） (2024-10-05T04:06:07Z)

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。