論文の概要: LegoSR: A Unified Framework for Self-improving Agent-Guided Scientific Discovery

• arxiv url: http://arxiv.org/abs/2610.33465v1
• Date: Sat, 24 Oct 2026 05:36:55 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-27 22:27:13.33457
• Title: LegoSR: A Unified Framework for Self-improving Agent-Guided Scientific Discovery
• Title（参考訳）: LegoSR: 自己改善エージェントによる科学的発見のための統一フレームワーク
• Abstract要約: LegoSRは、一般的な方程式表現と評価プロセスを通じて7つのソルバを統合する。 LegoSR Agentはソルバを選択し、ソルバ知識、中間結果、以前のタスクからの教訓に基づいて検索を適用する。 ノイズの多い常微分方程式と偏微分方程式のベンチマークでは、LegoSR Agentは7つの専門家が調整した解の和と同じ数の方程式を復元する。
• 参考スコア（独自算出の注目度）: 20.518007475288194
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Equation discovery solvers often use different data interfaces, equation representations and evaluation criteria, making their results difficult to compare. We present LegoSR, a unified framework for algebraic symbolic regression and differential equation discovery. LegoSR integrates seven solvers through a common equation representation and evaluation process, and supports searches constrained by partially known equations. Researchers can run solvers directly or use LegoSR Agent, which selects solvers and adapts searches based on solver knowledge, intermediate results and lessons from earlier tasks. On noisy ordinary and partial differential equation benchmarks, LegoSR Agent recovers nearly as many equations as the union of seven expert-tuned solvers and outperforms a generic agent with the same model, tools and budget by up to 29 percentage points. Three examples demonstrate basic use, adaptive solver selection and discovery guided by partial physical knowledge.
• Abstract（参考訳）: 方程式探索解法は、しばしば異なるデータインターフェース、方程式表現、評価基準を使い、結果を比較するのが難しくなる。 代数的シンボリック回帰と微分方程式発見のための統合フレームワークであるLegoSRを提案する。 LegoSRは、共通方程式表現と評価プロセスを通じて7つのソルバを統合し、部分的に既知の方程式によって制約された探索をサポートする。 研究者は、ソルバを直接実行したり、LegoSR Agentを使用して、ソルバを選択し、ソルバの知識、中間結果、以前のタスクからの教訓に基づいて検索を適用することができる。 ノイズの多い常微分方程式と偏微分方程式のベンチマークでは、LegoSR Agentは7つの専門家が調整した解法とほぼ同程度の方程式を回復し、同じモデル、ツール、予算を持つ汎用エージェントを最大29パーセント上回っている。 3つの例は、基本的な利用、適応的な解法の選択、部分的な物理的知識によって導かれる発見を示す。

関連論文リスト

• Learning to Design SR Solvers: Harness Optimization for Symbolic Regression [12.384175583036495]
  シンボリック回帰は、観測されたデータを説明する明示的な方程式を求め、最近の手法では、より大きな言語モデル(LLM)と方程式発見のためのエージェントをますます採用している。 我々は、SRエージェントのハーネス自体が最適化対象であるべきだと論じる。 そこで我々は、再利用可能なSRエージェントを構築するためのプロンプトと改善を共同で最適化するフレームワークであるHarnessSRを提案する。
  論文  参考訳（メタデータ） (2026-10-12T15:33:21Z)
• MOSAIC-SR: Transformer-Guided Symbolic Regression for Scientific Equation Recovery [0.7489722641968592]
  シンボリック回帰は、観測から閉形式方程式を復元することを目的としており、科学的発見のための解釈可能なモデルを提供する。 事前訓練されたトランスフォーマーを用いて複数の初期スケッチを提案するMOSAIC-SRを提案する。 これらのスケッチはいくつかの有望な領域を探索し、広大な表現空間におけるランダムな開始を避ける。 SRSD-Feynmanデータセット上のMOSAIC-SRをダミー変数と6つのベンチマークで評価した。
  論文  参考訳（メタデータ） (2026-09-17T18:52:15Z)
• CoSearch: Joint Training of Reasoning and Document Ranking via Reinforcement Learning for Agentic Search [51.911048955965136]
  CoSearchは多段階推論エージェントと生成ドキュメントランキングモデルを共同でトレーニングするフレームワークである。 この結果から, 推論エージェントと検索システムの協調訓練は, 実現可能であり, 性能も高いことが示唆された。
  論文  参考訳（メタデータ） (2026-04-19T17:48:17Z)
• Learning to Retrieve from Agent Trajectories [72.8923565916533]
  我々はエージェント間相互作用データから直接エージェント探索のための検索モデルを訓練すべきであると主張している。 エージェント・トラジェクトリからの学習を新たな訓練パラダイムとして導入し,マルチステップエージェントのインタラクションから指導を導出する。 本研究は,エージェント探索時代における検索の方向性を示すとともに,エージェントトラジェクトリを実用的でスケーラブルな監視源として強調するものである。
  論文  参考訳（メタデータ） (2026-03-30T17:59:02Z)
• Multi-modal Causal Structure Learning and Root Cause Analysis [67.67578590390907]
  根本原因局所化のためのマルチモーダル因果構造学習手法であるMulanを提案する。 ログ選択言語モデルを利用してログ表現学習を行い、ログシーケンスを時系列データに変換する。 また、モダリティの信頼性を評価し、最終因果グラフを共同学習するための新しいキーパフォーマンスインジケータ対応アテンション機構も導入する。
  論文  参考訳（メタデータ） (2024-02-04T05:50:38Z)
• Deep Generative Symbolic Regression [83.04219479605801]
  記号回帰は、データから簡潔な閉形式数学的方程式を発見することを目的としている。 既存の手法は、探索から強化学習まで、入力変数の数に応じてスケールできない。 本稿では,我々のフレームワークであるDeep Generative Symbolic Regressionのインスタンス化を提案する。
  論文  参考訳（メタデータ） (2023-12-30T17:05:31Z)
• Factorization of Multi-Agent Sampling-Based Motion Planning [72.42734061131569]
  現代のロボティクスは、共有環境内で複数のエンボディエージェントを動作させることが多い。 標準的なサンプリングベースのアルゴリズムは、ロボットの関節空間における解の探索に使用できる。 我々は、因子化の概念をサンプリングベースアルゴリズムに統合し、既存の手法への最小限の変更しか必要としない。 本稿では, PRM* のサンプル複雑性の観点から解析的ゲインを導出し, RRG の実証結果を示す。
  論文  参考訳（メタデータ） (2023-04-01T15:50:18Z)

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。