論文の概要: Triage-PiEvo: Evidence Admission for Principle-Evolving Scientific Agents
- arxiv url: http://arxiv.org/abs/2610.14683v1
- Date: Sat, 10 Oct 2026 07:55:42 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-20 12:19:12.840317
- Title: Triage-PiEvo: Evidence Admission for Principle-Evolving Scientific Agents
- Title（参考訳）: Triage-PiEvo: 原則進化型科学エージェントのエビデンス・アドミッション
- Abstract要約: 大規模言語モデル(LLM)ベースのAI科学者は科学的発見を進めるが、ノイズのある観察のために効率の悪さに悩まされる。
異常は直ちに探索するが、独立に検証された証拠だけが永続的な原則を書き換える可能性がある。
TRIAGE-PIEVOでは,異常応答型検索ポートフォリオとステージ検証ゲートを組み合わせてこれを実現している。
- 参考スコア（独自算出の注目度）: 14.352542993415454
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Large language model (LLM)-based AI Scientists advance scientific discovery, yet they suffer from inefficiencies due to noisy observations. Existing principle-evolving agents act on every anomaly, leaving its source unresolved: a new mechanism or an evaluation artifact, so invalid revisions bias evolution. To address this, we formulate revision as evidence admission: anomalies steer search immediately, but only independently verified evidence may rewrite persistent principles, and contradicted principles are retracted. We realize this in TRIAGE-PIEVO , which pairs an anomaly-responsive search portfolio with a staged verification gate that alone controls what enters principle state. Across four scientific tasks with three backbones, TRIAGE-PIEVO (1) attains the highest average solution quality with +7.5%~11.8% over the strongest baseline per backbone, matching the strongest baseline's full-budget quality with one-third of the evaluation budget on Qwen3-235B; and additional stress tests and cross-harness deployment demonstrate that (2) in constructed stress tests, it admits none of the corrupted, hidden-source, or exploit evidence that ungated variants admit, while missing no planted mechanism, and (3) plugged unchanged into three external research harnesses, it cuts false evidence admissions by over 60% and raises verified scores by 31%~43%.
- Abstract（参考訳）: 大規模言語モデル(LLM)ベースのAI科学者は科学的発見を進めるが、ノイズのある観察のために効率の悪さに悩まされる。
既存の原理進化剤はあらゆる異常に作用し、その源泉は未解決のままである。
異常は直ちに探索するが、独立した証拠のみは永続的な原則を書き換えることができ、矛盾する原則は取り除かれる。
我々はこのことをTRIAGE-PIEVOで実現し、これは異常応答型検索ポートフォリオと、原則状態に入るもののみを制御するステージド検証ゲートとをペアにしている。
TRIAGE-PIEVO (1) は3つのバックボーンを持つ4つの科学的タスクの中で、最強のベースラインを+7.5%〜11.8%で上回り、最強のベースラインのフル予算品質をQwen3-235Bの評価予算の3分の1に匹敵する。
関連論文リスト
- DISCERN: Can AI Agents Work Like Scientists and Guide Discovery? [54.755189648365565]
私たちは、自動研究ワークフローの3つの重要なレベルを評価するために、実際に利用可能なデータセットのベンチマークであるdisCERNを紹介します。
エージェントはレベル1の60.8%、レベル2の34.2%、レベル3の評価の0.6%で完璧なスコアを得る。
これらのプロファイルは、科学的な援助を監督する機会を特定するが、現在のエージェントは信頼できる自律的な分析や発見をまだ示していない。
論文 参考訳（メタデータ） (2026-09-27T08:29:32Z) - Sci-MMR: Benchmarking Multi-Step Evidence-Grounded Scientific Reasoning in Multimodal Agents [56.93800079330285]
既存のマルチモーダルベンチマークは、最終回答の精度を大きく評価する。
我々は,多段階のエビデンスに基づく科学的推論のためのベンチマークであるSci-MMRを紹介する。
その結果,解答精度は完全証拠回収率を20%以上上回ることがわかった。
論文 参考訳（メタデータ） (2026-09-10T08:41:07Z) - NovGauge: A Fine-Grained Benchmark for Diagnosing LLMs' Capability in Paper Novelty Assessment [54.4265627247104]
大規模言語モデル(LLM)は、主要なAIカンファレンスでピアレビューでますます使用されている。
既存のベンチマークでは、ノベルティを1つの総合的なスコアとして評価している。
本報告では,詳細なノベルティアセスメント診断のための人手によるベンチマークであるNovGaugeについて述べる。
論文 参考訳（メタデータ） (2026-09-10T08:34:56Z) - Plato-Bio: verification-first biological novelty screening with temporal rediscovery and structural benchmarks [0.0]
オープンなPlato/Denarioアーキテクチャの拡張であるPlato-Bioを開発した。
Plato-Bioは明示的なワークフローステートを、プロファイランスレコード、引用チェック、クレーム・ツー・エビデンスリンク、スコープドファイル書き込み、パブリッシュゲートと結合する。
現在のクリーンリビジョンでは、完全なPythonスイートが931パス、6スキップ、エラーやエラーは発生しない。
論文 参考訳（メタデータ） (2026-07-27T03:55:39Z) - One Reflection Is Not Enough: Self-Correcting Autonomous Research via Multi-Hypothesis Failure Attribution [85.65263343588026]
我々は,自己修正型,自律型,接地型実験機であるSAGEを提案する。
その中核的なメカニズムであるMHFA(Multi-Hypothesis Failure Attribution)は、回復を構造的因果診断として扱う。
12のトピック、5ドメインのベンチマークでは、SAGEは基準リフレクションでメトリクスを含むアウトプットを42%から92%に増やしている。
論文 参考訳（メタデータ） (2026-06-30T10:54:16Z) - ScientistOne: Towards Human-Level Autonomous Research via Chain-of-Evidence [57.37494162084001]
チェーン・オブ・エビデンス(Chain-of-Evidence, CoE)は、すべてのクレームがエビデンス・ソースにトレース可能であることを要求する検証可能なフレームワークである。
CoE Auditはポストホック監査であり、スコア検証、仕様違反、参照検証、メソッドコードアライメントという4つの整合性チェックが全システムに均一に適用される。
論文 参考訳（メタデータ） (2026-05-25T21:30:27Z) - Principle-Evolvable Scientific Discovery via Uncertainty Minimization [9.216546947535244]
科学発見をベイズ最適化として扱う原理進化可能なフレームワークであるPiEvoについて述べる。
PiEvoのソリューションの平均品質は90.81%93.15%に達し、最先端よりも29.7%31.1%向上している。
論文 参考訳（メタデータ） (2026-02-06T07:19:27Z) - FIRE-Bench: Evaluating Agents on the Rediscovery of Scientific Insights [63.32178443510396]
FIRE-Bench (Full-cycle Insight Rediscovery Evaluation) は、確立された発見の再検討を通じてエージェントを評価するベンチマークである。
最強のエージェントでさえ、限られた再発見成功(50 F1)を達成し、実行中に高いばらつきを示し、実験的な設計、実行、エビデンスに基づく推論において繰り返し失敗モードを表示する。
論文 参考訳（メタデータ） (2026-02-02T23:21:13Z) - VERIRAG: Healthcare Claim Verification via Statistical Audit in Retrieval-Augmented Generation [12.545868971471844]
VERIRAGは3つの重要な貢献を行うフレームワークである: (i) Veritable (i) Veritable (i) Veritable (i) Veritable (i) Veritable (i) Veritable (i) Veritable (i) Veritable (i) Veritable (i) Veritable (i) Veritable (i) Veritable (i) Veritable (i) Veritable (i) Veritable (i) Veritable (i) Veritable (i) Dynamic Acceptance Threshold (iii) Dynamic Acceptance Threshold (i)
論文 参考訳（メタデータ） (2025-07-23T21:32:50Z) - Deep Learning Framework Testing via Model Mutation: How Far Are We? [30.292791319442404]
既存の突然変異に基づく検査手法の欠陥検出機能を再検討する。
わずか23モデルで39のユニークな欠陥を特定しました。そのうち31は開発者によって確認され、8つは修正されました。
論文 参考訳（メタデータ） (2025-06-21T08:44:33Z)
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。