論文の概要: Benchmarking and Enhancing Agentic Causal Discovery

• arxiv url: http://arxiv.org/abs/2610.22846v1
• Date: Fri, 16 Oct 2026 02:47:51 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-20 00:56:07.735066
• Title: Benchmarking and Enhancing Agentic Causal Discovery
• Title（参考訳）: エージェント因果発見のベンチマークと強化
• Abstract要約: Heuresisは匿名シミュレーションデータセットのベンチマークである。 エージェントが変更するすべてのエッジをトレースする。 GPT-6.1 Solは6つのファミリーで最高のアルゴリズムを上回ります。
• 参考スコア（独自算出の注目度）: 11.084318272160852
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: LLM agents can now run causal discovery algorithms on a dataset and report what comes out. Whether they do more than that, such as noticing where an algorithm went wrong and fixing it with further tests, is hard to tell from current benchmarks. Most of them give the variables meaningful names, and an LLM shown only the names of the Tübingen cause-effect pairs already gets 99% of the directions right. With the names removed, the data are usually clean enough that picking a better algorithm than PC closes most of the gap. We introduce Heuresis, a benchmark of anonymous simulated datasets whose mechanisms range from linear Gaussian to heavy-tailed. For each family of datasets it separates what a better existing algorithm can gain from what only a closer look at the data can gain, and it traces every edge an agent changes. Every family leaves a gap that none of the algorithms, the router and the two causal-discovery foundation models we ran can close, so a score above the best chosen algorithm has to come from using the data. We instantiate the benchmark with an agent harness and three LLMs, GPT-6.1 Sol, Claude Opus 5.5 and Qwen 3.8 Flash. GPT-6.1 Sol surpasses the best chosen algorithm on all six families, by 14% adjacency F1 on the most difficult one, and Claude Opus 5.5 does so by 7.4% there. A third of the true edges the two agents restore on the two hardest families appear in no algorithm's output. The code and data will be publicly released to facilitate future work.
• Abstract（参考訳）: LLMエージェントは、データセット上で因果発見アルゴリズムを実行し、何が出てくるかを報告できる。 アルゴリズムがどこで問題を起こしたのかを知り、さらなるテストで修正するなど、それ以上の作業を行うかどうかは、現在のベンチマークから判断するのは困難です。 それらの多くは変数に意味のある名前を与えており、LLMはチュービンゲンの因果関係のペアの名前のみを示しており、既に99%の方向が正しい。 名前を取り除いた場合、データは十分にクリーンで、PCよりも優れたアルゴリズムを選択することで、ほとんどのギャップを埋める。 Heuresisは、線形ガウスから重み付きまでのメカニズムを持つ匿名シミュレーションデータセットのベンチマークである。 データセットの各ファミリに対して、より優れた既存アルゴリズムが得るものと、データに近づいただけで得られるものとを区別し、エージェントが変更するすべてのエッジをトレースする。 すべての家族は、アルゴリズム、ルーター、そして我々が実行した2つの因果発見基盤モデルがクローズできるギャップを残している。 ベンチマークをエージェントハーネスと3つのLLM, GPT-6.1 Sol, Claude Opus 5.5, Qwen 3.8 Flashでインスタンス化する。 GPT-6.1 Solは最も難しいF1の14%、Claude Opus 5.5の7.4%という6つのファミリーで最高のアルゴリズムを上回っている。 2つのエージェントが回復する真のエッジの3分の1は、アルゴリズムの出力には現れない。 コードとデータは公開され、今後の作業が容易になる。

関連論文リスト

• CauTion: Knowing When to Trust LLMs for Ensemble Causal Discovery [51.07538881798502]
  大規模言語モデル(LLM)は、統計的推論を補完する将来的なドメイン知識の源を提供する。 我々は、LLMドメイン知識を統計的因果探索アルゴリズムのアンサンブルに確実に統合するフレームワークであるCauTionを提案する。 CauTionは、データ中心とLLM拡張ベースラインの両方を一貫して上回る。
  論文  参考訳（メタデータ） (2026-06-02T13:07:43Z)
• AlphaLab: Autonomous Multi-Agent Research Across Optimization Domains with Frontier LLMs [14.167136550376497]
  計算集約ドメインの完全な実験サイクルを自動化する自律的な研究ハーネスであるAlphaLabを紹介する。 ドメインに適応し、データを探索し、分析コードを書き、研究レポートを作成する。 Strategist/Workerループを通じて大規模な実験を実行し、永続的なプレイブックでドメイン知識を蓄積する。
  論文  参考訳（メタデータ） (2026-03-31T21:16:20Z)
• Decision Making under Imperfect Recall: Algorithms and Benchmarks [77.12503122836422]
  本稿では,不完全-再コール決定問題に対する最初のベンチマークスイートを紹介する。 私たちのベンチマークでは、AIシステムのプライバシに関するものなど、さまざまな問題タイプを捉えています。 このような問題における一階最適戦略を見つけるために,異なるアルゴリズムの性能を評価する。
  論文  参考訳（メタデータ） (2026-02-16T23:19:01Z)
• Navigating the Labyrinth: Evaluating LLMs' Ability to Reason About Search Problems [62.76627483915117]
  大規模言語モデル(LLM)は、最近、数学と推論ベンチマークで印象的なパフォーマンスを達成した。 直感的なパズルにインスパイアされた11のユニークな検索問題を含む新しいベンチマークであるSearchBenchを紹介した。 ステップバイステップで言語のみの推論を用いることで、最も先進的なLLMでさえ、SearchBenchの解決に失敗することを示します。
  論文  参考訳（メタデータ） (2024-06-18T00:44:58Z)
• CLIPPER: Robust Data Association without an Initial Guess [38.56736000339334]
  初期推定を必要としないデータアソシエーションのためのグラフ理論の定式化について検討する。 既存のグラフ理論アプローチは、未重み付きグラフを最適化し、重み付きエッジに符号化された重要な一貫性情報を破棄し、NPハード問題を正確に解こうとする。 この問題に対して2つの緩和法を導入する: 凸半有限緩和法は経験的に厳密であることが判明し、CLIPPERと呼ばれる高速な1次アルゴリズムはミリ秒でほぼ最適解に到達する。
  論文  参考訳（メタデータ） (2024-02-11T19:16:01Z)
• Improving and Benchmarking Offline Reinforcement Learning Algorithms [87.67996706673674]
  この作業は、低レベルの選択とデータセットによって引き起こされるギャップを埋めることを目的としている。 3つの代表アルゴリズムを用いて20の実装選択を実証的に検討する。 CRR+とCQL+の2つの変種がD4RL上で新たな最先端を実現している。
  論文  参考訳（メタデータ） (2023-06-01T17:58:46Z)
• ALGO: Synthesizing Algorithmic Programs with LLM-Generated Oracle Verifiers [60.6418431624873]
  大きな言語モデル(LLM)は、機能記述からコードを実装するのに優れているが、アルゴリズムの問題に悩まされている。 我々は,アルゴリズムプログラムを LLM 生成 Oracle で合成するフレームワーク ALGO を提案し,その生成をガイドし,その正確性を検証する。 実験の結果,ALGOを装着すると,Codexモデルよりも8倍,CodeTよりも2.6倍の1サブミッションパス率が得られることがわかった。
  論文  参考訳（メタデータ） (2023-05-24T00:10:15Z)
• ParlayANN: Scalable and Deterministic Parallel Graph-Based Approximate Nearest Neighbor Search Algorithms [5.478671305092084]
  本稿では,ParlayANNについて紹介する。ParlayANNは決定論的および並列グラフに基づく近接探索アルゴリズムのライブラリである。 我々は、数十億のデータセットにスケールする4つの最先端グラフベースのANNSアルゴリズムに対して、新しい並列実装を開発する。
  論文  参考訳（メタデータ） (2023-05-07T19:28:23Z)
• A Pragmatic Look at Deep Imitation Learning [0.3626013617212666]
  我々は6つの異なる対向的模倣学習アルゴリズムを再実装する。 広く使われている専門的軌跡データセットで評価する。 GAILは、様々なサンプルサイズにわたって、一貫してよく機能する。
  論文  参考訳（メタデータ） (2021-08-04T06:33:10Z)

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。