論文の概要: RIDAR: Safeguarding Research Integrity in Autonomous Research Agents via Automated Detection and Runtime Intervention

• arxiv url: http://arxiv.org/abs/2610.31372v2
• Date: Sun, 25 Oct 2026 14:33:29 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-27 22:27:13.207248
• Title: RIDAR: Safeguarding Research Integrity in Autonomous Research Agents via Automated Detection and Runtime Intervention
• Title（参考訳）: RIDAR:自動検出と実行介入による自律的研究エージェントの研究統合の保護
• Abstract要約: RIDARは自動RIV検出と実行時の介入のためのフレームワークである。 RIVTは全研究ライフサイクルにまたがる14種類のRIV型の分類である。 RIDAR-post-hocはエージェント・トラジェクトリ内でRIVを検出するためのフレームワークである。 また,エージェント実行中のRIVを動的に検出・補正するフレームワークであるRIDAR-runtimeを提案する。
• 参考スコア（独自算出の注目度）: 49.167290402688515
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Autonomous research agents are increasingly used to automate large portions of scientific research, yet they are prone to research integrity violations (RIVs): behaviors that compromise the validity, reproducibility, or faithfulness of the research process. We present RIDAR, a framework for automated RIV detection and runtime intervention. First, we introduce RIVT, a comprehensive taxonomy of 14 RIV types spanning the full research lifecycle. Building on RIVT, we present RIDAR-post-hoc, a framework to detect RIVs within agent trajectories. RIDAR-post-hoc achieves 85.2% F1 performance on RIV-Gold, a benchmark for RIV detection with 60 expert-annotated trajectories. Applying RIDAR-post-hoc to RIV-Wild, a dataset of 300 agent trajectories across 50 distinct research tasks, we detect 3,964 RIV instances in 99.7% of trajectories, revealing the prevalence of RIVs in current agents. Finally, we present RIDAR-runtime, a framework for dynamically detecting and correcting RIVs during agent runtime. RIDAR-runtime effectively reduces agent RIVs remaining at task completion by 36.8%. We will release our code and data to facilitate future research.
• Abstract（参考訳）: 自律的な研究エージェントは、科学研究の大部分を自動化するために使われることが多いが、研究の正当性(RIV)に違反する傾向があり、研究プロセスの妥当性、再現性、忠実さを損なう。 本稿では,自動RIV検出と実行時介入のためのフレームワークであるRIDARを提案する。 まず、全研究ライフサイクルにまたがる14種類のRIV型の包括分類であるRIVTを紹介する。 RIVT 上に構築した RIDAR-post-hoc は,エージェント軌道中の RIV を検出するためのフレームワークである。 RIDAR-post-hocはRIV-Gold上で85.2%のF1性能を達成する。 RIDAR-post-hoc を RIV-Wild に適用すると、50の異なる研究課題にまたがる300のエージェント・トラジェクトリのデータセットが、99.7%のトラジェクトリで3,964の RIV インスタンスを検出し、現在のエージェントにおける RIV の頻度を明らかにする。 最後に,エージェント実行中のRIVを動的に検出・修正するフレームワークであるRIDAR-runtimeを提案する。 RIDARランタイムは、タスク完了時に残るエージェントRIVを36.8%効果的に削減する。 今後の研究を促進するため、コードとデータを公開します。

関連論文リスト

• A-SR: Self-Evolving Agentic LLMs for Symbolic Regression via Hierarchical Coordination [51.06539604709775]
  本稿では、制御ユニットを表現編集からロール条件のエビデンスビューへシフトさせる自己進化型エージェントフレームワークであるA-SRを提案する。 A-SRは、コーディネートプロトコル、オンライン評価器・リワードロールポリシー、および状態制御プロセスメモリ間のルーティングによる公式発見をコーディネートする。
  論文  参考訳（メタデータ） (2026-08-05T14:01:10Z)
• Act As a Real Researcher: A Suite of Benchmarks Evaluating Frontier LLMs and Agentic Harnesses in Research Lifecycle [16.040691949938203]
  AARR(Act as a Real Researcher)ベンチマークシリーズを提案する。 AARRは、エージェントが人間の研究者を特徴づけるプロフェッショナル主義、徹底性、ニュアンスな推論をエミュレートできるかどうかに焦点を当てている。 我々の研究結果は、研究者のようなAIを開発するには、さらなる研究行動の探索が必要であることを示唆している。
  論文  参考訳（メタデータ） (2026-06-05T17:13:36Z)
• Agent-Driven Autonomous Reinforcement Learning Research: Iterative Policy Improvement for Quadruped Locomotion [14.484745002483258]
  本稿では, エージェント駆動型自律強化学習研究における四足歩行のケーススタディについて述べる。 エージェントが実行ループの大部分を実行する間、人間はエージェントコーディング環境を通じて高レベルなディレクティブを提供した。 アイザック・ラボのDHAV1 12-DoFで、70以上の実験が14の波に編成され、初期の粗い地形の走行から7回ほどの平均的な報奨を得て、最高に記録された波動12回、exp063回、速度誤差0.263回と97%のタイムアウトを2000回以上行った。
  論文  参考訳（メタデータ） (2026-03-28T21:30:04Z)
• AgentIR: Reasoning-Aware Retrieval for Deep Research Agents [76.29382561831105]
  ディープリサーチエージェントは、各検索の前に明示的な自然言語推論を生成する。 Reasoning-Aware Retrievalは、クエリと一緒にエージェントの推論トレースを埋め込む。 DR-Synthは、標準的なQAデータセットからDeep Researchレトリバーのトレーニングデータを生成する。 AgentIR-4Bは、オープンウェイトエージェントであるTongyi-DeepResearchで68%の精度を達成する。
  論文  参考訳（メタデータ） (2026-03-04T18:47:26Z)
• RE-TRAC: REcursive TRAjectory Compression for Deep Search Agents [144.5598958575922]
  Re-TRACはクロス軌道探索を行うエージェントフレームワークである。 Re-TRAC は BrowseComp とフロンティア LLM で連続して ReAct を 15-20% 上回っていることを示す。
  論文  参考訳（メタデータ） (2026-02-02T18:58:07Z)
• Optimizing Retrieval for RAG via Reinforced Contrastive Learning [10.119882685486427]
  Retrieval-augmented Generation(RAG)は、人間のユーザのための情報の検索から、AIシステムのコンテキスト知識の検索へと移行している。 本稿では,RAGに最適化された検索用フレームワークであるR3を提案する。 R3はRAG性能を元のレトリバーより5.2%向上し、最先端レトリバーを4.9%上回っている。
  論文  参考訳（メタデータ） (2025-10-28T17:18:30Z)

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。