論文の概要: Searching for What Matters: Open-Ended Discovery of Multiple Hypotheses with Agentic Data Exploration

• arxiv url: http://arxiv.org/abs/2610.17874v1
• Date: Tue, 13 Oct 2026 07:33:48 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-17 08:25:49.441561
• Title: Searching for What Matters: Open-Ended Discovery of Multiple Hypotheses with Agentic Data Exploration
• Title（参考訳）: エージェントデータ探索による複数仮説のオープンな発見
• Abstract要約: オープンエンド多重仮説発見を導入する。 ベンチマークは、現実世界のデータスキーマに基づく構造因果モデルから構築される。 HypAgentは0.47の精度、0.51のリコール、0.49のF1を達成する。
• 参考スコア（独自算出の注目度）: 22.63091638661625
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Discovering what drives an outcome from data is central to science and often requires deciding what is worth investigating before a specific hypothesis is known. Yet most existing hypothesis generation settings substantially narrow this search by providing a research question, target relationship, or curated context. We introduce open-ended multiple hypothesis discovery, where a system receives only a large tabular dataset and an outcome and must discover multiple data-supported hypotheses without knowing in advance the relevant variables, functional forms, conditions, or number of underlying mechanisms. To study this problem, we introduce a benchmark built from structural causal models grounded in real-world data schemas, containing 351 planted hypotheses across 15 tasks and five domains, with 53--65 variables and 1M--10M rows per task. The causal model is hidden from the discovery method and retained only by the evaluator, allowing proposed hypotheses to be tested through interventions and separating observational discovery from causal validation. We further propose HypAgent, which treats the dataset as an interactive environment and performs iterative search by proposing candidate directions, triaging and refining promising hypotheses, and removing explained signal so that each accepted discovery redirects subsequent search. HypAgent achieves 0.47 precision, 0.51 recall, and 0.49 F1, compared with 0.35 F1 for the strongest baseline. Our analysis shows that many failures occur after a relevant variable has already been surfaced, suggesting that correctly characterizing a mechanism's functional form and conditions, rather than merely identifying relevant variables, remains a key challenge in open-ended discovery.
• Abstract（参考訳）: データから何をもたらすかを明らかにすることは科学の中心であり、しばしば特定の仮説が知られる前に何を研究する価値があるかを決定する必要がある。 しかし、既存の仮説生成設定のほとんどは、研究質問、ターゲット関係、あるいはキュレートされたコンテキストを提供することによって、この検索を著しく狭めている。 そこで本研究では,大規模な表表データセットと結果のみを受信し,関連する変数,機能形式,条件,あるいは基盤となるメカニズムの数を知ることなく,複数のデータ支援仮説を事前に把握しなければならない,オープンエンドな多重仮説発見を提案する。 そこで本研究では、15タスクと5ドメインに351の仮説を植え込み,53--65変数と1M--10M行のタスクを含む,実世界のデータスキーマに基づく構造因果モデルから構築したベンチマークを提案する。 因果モデルは発見法から隠蔽され,評価者のみが保持するので,介入を通じて仮説を検証し,因果検証から観察的発見を分離することができる。 さらに,データセットを対話的環境として扱うHypAgentを提案する。このHypAgentは,候補方向の提案,有望な仮説のトリアージと精錬によって反復探索を行い,各発見が後続探索をリダイレクトするように説明信号を削除する。 HypAgentは0.47の精度、0.51のリコール、0.49のF1を達成する。 我々の分析は、関連する変数が既に表面化されてから多くの障害が発生することを示しており、関連する変数を単に特定するのではなく、メカニズムの機能形式と条件を正しく特徴付けることが、未解決の発見において重要な課題であることを示している。

関連論文リスト

• Before the Action: Benchmarking LLMs on Prospective Hypothesis Discovery [95.44432473367836]
  大規模言語モデル(LLM)は、事前に特定された質問に答える能力に優れるが、未解決の未解決段階をナビゲートする能力はほとんど測定されていない。 仮説探索(PHD)を導入し,不確定な証拠から,仮説空間を自律的に構築することをモデルに求める。 本稿では,6つの科学的・分析的領域にわたる988ケースのベンチマークであるHypoArenaと,オープンエンド仮説セットの評価フレームワークであるHypoEvalを紹介する。
  論文  参考訳（メタデータ） (2026-07-17T08:56:43Z)
• Autonomous Scientific Discovery via Iterative Meta-Reflection [44.46230654454998]
  本研究では,データセットを探索するコードを動的に生成し,実行することにより,オープンエンドの研究を行うフレームワークであるDiscoPERを紹介する。 先行発見を経験的データとして扱うことにより、DiscoPERは探索空間の未知領域に向けて仮説探索を積極的にリダイレクトする。 iNatDiscoは、ピアレビューされた文献から得られるパターンレベル基底真理を持つ新しいマルチモーダル生態知識ベンチマークである。
  論文  参考訳（メタデータ） (2026-07-01T16:16:07Z)
• Evidence-Informed LLM Beliefs for Continual Scientific Discovery [66.36520571709482]
  本稿では,元来の探索手順に対して,信念更新フィルタリングと多様性の2つの相補的な変更を導入する。 従来の発見よりも埋込みベースの検索強化世代は、最終的な後部を最も予測し、37.5%の静的仮定を刺激的であると同定する。 そして、これらの急激な報酬を避けるために検索を修正し、非定常的信念の下では驚くべき仮説を優先順位付けします。
  論文  参考訳（メタデータ） (2026-06-28T04:06:12Z)
• Towards Diverse Scientific Hypothesis Search with Large Language Models [46.83325596046927]
  仮説探索をサンプリング問題として定式化し、固定された検証予算の下で多種多様な高品質な仮説を効率的に生成することを目的とする。 分子発見,方程式発見,アルゴリズム発見を含む領域にわたって,我々のアプローチは,同じ検証予算の下で仮説の品質と多様性の両方を一貫して改善する。
  論文  参考訳（メタデータ） (2026-06-09T08:52:49Z)
• Bayes-Entropy Collaborative Driven Agents for Research Hypotheses Generation and Optimization [4.469102316542763]
  本稿では,HypoAgentsと呼ばれるマルチエージェント協調フレームワークを提案する。 多様性のサンプリングを通じて仮説を生成し、事前の信念を確立する。 その後、外部文献の証拠収集にRAG(erieval-augmented generation)を採用している。 情報エントロピー$H = - sum p_ilog p_i$ を用いて高不確かさ仮説を特定し、それらを積極的に洗練する。
  論文  参考訳（メタデータ） (2025-08-03T13:05:32Z)
• Seeing Unseen: Discover Novel Biomedical Concepts via Geometry-Constrained Probabilistic Modeling [53.7117640028211]
  同定された問題を解決するために,幾何制約付き確率的モデリング処理を提案する。 構成された埋め込み空間のレイアウトに適切な制約を課すために、重要な幾何学的性質のスイートを組み込む。 スペクトルグラフ理論法は、潜在的な新規クラスの数を推定するために考案された。
  論文  参考訳（メタデータ） (2024-03-02T00:56:05Z)
• Federated Causal Discovery from Heterogeneous Data [70.31070224690399]
  任意の因果モデルと異種データに対応する新しいFCD法を提案する。 これらのアプローチには、データのプライバシを保護するために、生データのプロキシとして要約統計を構築することが含まれる。 提案手法の有効性を示すために, 合成および実データを用いた広範囲な実験を行った。
  論文  参考訳（メタデータ） (2024-02-20T18:53:53Z)
• Detecting hidden confounding in observational data using multiple environments [0.81585306387285]
  本論では, 隠れた接尾辞が存在する場合にのみ欠落する, 検証可能な条件不一致の理論について述べる。 ほとんどの場合、提案手法は隠れた共起の存在を正確に予測する。
  論文  参考訳（メタデータ） (2022-05-27T12:20:09Z)

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。