論文の概要: ExpEvolve: Structuring and Reusing Experience for Open-Ended Discovery

• arxiv url: http://arxiv.org/abs/2610.29303v1
• Date: Wed, 21 Oct 2026 07:00:23 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-23 00:40:06.264573
• Title: ExpEvolve: Structuring and Reusing Experience for Open-Ended Discovery
• Title（参考訳）: ExpEvolve: オープンエンドディスカバリのための構造化と再利用エクスペリエンス
• Abstract要約: AlphaEvolveのような進化的コーディングエージェントは、Large Language Models(LLM)を使用してAIサイエンティストを構築する上で、注目すべき成功の1つだ。 概念レベルの抽出と制御を進化に注入するExpEvolveを提案する。
• 参考スコア（独自算出の注目度）: 69.97159498143903
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Evolutionary coding agents such as AlphaEvolve are one of the notable successes in using Large Language Models (LLMs) to build AI Scientists. These agents tackle open-ended scientific problems by iteratively improving and evolving programs, leveraging the prior knowledge and reasoning capabilities of LLMs. Despite their success, mutations over programs are mostly low-level upon surface heuristics, without a persistent unit of control. In contrast, science compounds through ideas. In this work, we propose ExpEvolve, which injects idea-level extraction and control into evolution: it discovers and leverages the high-level factors from programs that explain scoring differences among different programs. We characterize theoretical conditions on when discovery with idea factors improves sample efficiency. We also build a practical framework to show that the extracted high-level idea factors are helpful for guiding exploitation from experience and exploration when discovery comes to a plateau. Across 11 open-ended mathematical tasks, ExpEvolve significantly improves the final performance and sample efficiency up to 5.0x. The improvements also transfer to 4 other LLMs and to 6 machine learning tasks from MLS-Bench. Analysis shows that ExpEvolve can discover idea-level factors to provide better exploration and exploitation for evolutionary discovery.
• Abstract（参考訳）: AlphaEvolveのような進化的コーディングエージェントは、Large Language Models(LLM)を使用してAIサイエンティストを構築する上で、注目すべき成功の1つだ。 これらのエージェントは、LLMの以前の知識と推論能力を利用して、プログラムを反復的に改善し、進化させることによって、オープンな科学的問題に取り組む。 その成功にもかかわらず、プログラム上の突然変異は表面ヒューリスティックにおいてほとんど低レベルであり、永続的な制御単位を持たない。 対照的に、科学は考えによって成り立っている。 本研究では,概念レベルの抽出と制御を進化に注入するExpEvolveを提案する。 我々は、アイデア要素による発見がサンプル効率を向上させるときの理論的条件を特徴付ける。 また,抽出された高レベルな概念因子が,高原の発見に際し,経験と探索から活用を導く上で有効であることを示すための実践的枠組みを構築した。 ExpEvolveは11個のオープンエンドな数学的タスクに対して、最終的な性能とサンプル効率を最大5.0倍に改善した。 改善は、他の4つのLSMや、MLS-Benchから6つの機械学習タスクにも移行した。 解析によるとExpEvolveは進化的発見のためのより良い探索と搾取を提供するためのアイデアレベルの要因を発見できる。

関連論文リスト

• EvoSci: A Bio-Inspired Multi-Agent Framework for the Evolution of Scientific Discovery [51.25847252305662]
  EvoSciは、バイオインスパイアされた進化と知識グラフモデリングを統合する、マルチエージェントの科学コラボレーションフレームワークである。 共同推論、共有記憶、進化的フィードバックを組み合わせることで、EvoSciは科学的探索の一貫性と創造性を著しく向上させる。
  論文  参考訳（メタデータ） (2026-05-20T04:58:49Z)
• CausalEvolve: Towards Open-Ended Discovery with Causal Scratchpad [72.197582948888]
  本研究では,Large Language Models (LLMs) を利用した因果スクラッチパッドを備えたCausalEvolveを開発した。 CaulEvolveはまず、目標目標を改善するための補完的なインスピレーションを提供する結果レベルの要因を特定します。 進化の過程では、CausalEvolveは進化中の驚きのパターンを検査し、新たな要因を仮説化することで、新たな方向性を提供する。
  論文  参考訳（メタデータ） (2026-03-15T19:53:31Z)
• EvoScientist: Towards Multi-Agent Evolving AI Scientists for End-to-End Scientific Discovery [18.348102991427965]
  EvoScientistは進化するマルチエージェントAI科学者フレームワークである。 永続記憶と自己進化を通じて研究戦略を継続的に改善する。 科学的なアイデア生成において、7つのオープンソースおよび商用の最先端システムを上回っている。
  論文  参考訳（メタデータ） (2026-03-09T09:07:19Z)
• ThetaEvolve: Test-time Learning on Open Problems [110.5756538358217]
  In-context LearningとReinforcement Learning(RL)の両方をテスト時に効率的にスケールするために、AlphaEvolveを単純化し拡張するオープンソースのフレームワークであるThetaEvolveを紹介します。 テスト時にRLを使用するThetaEvolveは、推論のみのベースラインよりも一貫して優れています。
  論文  参考訳（メタデータ） (2025-11-28T18:58:14Z)
• FLEX: Continuous Agent Evolution via Forward Learning from Experience [54.796367711967754]
  大規模言語モデル(LLM)によって駆動される自律エージェントは、推論と問題解決に革命をもたらしたが、訓練後も静的のままである。 我々は,LLMエージェントが蓄積された経験を通して継続的に進化することを可能にする勾配のない学習パラダイムであるFLEX(Forward Learning with Experience)を紹介する。
  論文  参考訳（メタデータ） (2025-11-09T16:31:39Z)
• Scientific Algorithm Discovery by Augmenting AlphaEvolve with Deep Research [23.532524147608253]
  本稿では、ディープリサーチとアルゴリズムの進化を統合するエージェントであるDeepEvolveを紹介する。 それぞれが新しい仮説を提案するだけでなく、改良、実装、テストも提案し、浅い改善と非生産的な過剰精製の両方を避けている。 化学、数学、生物学、材料、特許の9つのベンチマークで、DeepEvolveは初期アルゴリズムを一貫して改善している。
  論文  参考訳（メタデータ） (2025-10-07T15:49:51Z)
• A Survey on Self-Evolution of Large Language Models [116.54238664264928]
  大規模言語モデル(LLM)は、様々な分野やインテリジェントエージェントアプリケーションにおいて大きく進歩している。 この問題に対処するために、LLMが自律的に獲得し、洗練し、モデル自身によって生成された経験から学ぶことができる自己進化的アプローチが急速に成長している。
  論文  参考訳（メタデータ） (2024-04-22T17:43:23Z)

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。