Fugu-MT 論文翻訳(概要): TIGER: Learning from Researcher Taste to Generate Tailored Research Ideas

論文の概要: TIGER: Learning from Researcher Taste to Generate Tailored Research Ideas

arxiv url: http://arxiv.org/abs/2611.02234v1
Date: Sun, 01 Nov 2026 21:50:07 GMT
ステータス: 翻訳完了
システム内更新日: 2026-11-12 05:32:45.563778
Title: TIGER: Learning from Researcher Taste to Generate Tailored Research Ideas
Title（参考訳）: TIGER: 研究者のテイストから学び、卓越した研究思想を創出する
Abstract要約: 6つの政府間比較はすべて、判事の一致したTIGER-8Bポリシーを標的外政策よりも好んだ。個別の選好フィードバックは、個別の選好フィードバックの使用をサポートする。
参考スコア（独自算出の注目度）: 14.896198613291837
License: http://creativecommons.org/licenses/by/4.0/
Abstract: In pairwise comparisons where each judge chooses between an idea generated by its corresponding TIGER-8B policy and one generated by GPT-4.1, the three LLM researchers select the TIGER-8B idea in 56.6%-68.4% of 76 comparisons per researcher. PhD1 and PhD2 select the TIGER-8B idea in 19 of 30 pairs (63.3%) and 17 of 30 pairs (56.7%), respectively. All six directed cross-policy comparisons likewise favor the judge's matched TIGER-8B policy over an off-target policy, supporting the use of individual preference feedback for tailored research ideation.
Abstract（参考訳）: 各審査員が対応するTIGER-8Bポリシーで生成されたアイデアとGPT-4.1で生成されたアイデアをペアワイズ比較した場合、3人のLLM研究者はTIGER-8Bのアイデアを研究者1人当たりの76比較のうち56.6%-68.4%で選択した。 PhD1 と PhD2 はそれぞれ 30 対 (63.3%) と 17 対 (56.7%) の TIGER-8B のアイデアを選択する。 6つの政府間比較も同様に、判事の一致したTIGER-8Bポリシーを標的外政策よりも好んでおり、個別の選好フィードバックを適切な研究アイデアに活用することを支持している。

関連論文リスト

Exploration via Activation-Space Steering for Reinforcement Learning with Verifiable Rewards [11.681961012789538]
検証可能な報酬(RLVR)による強化学習は、応答をサンプリングし、自動検証器で評価し、その結果の報酬からポリシーを更新することにより、言語モデルを訓練する。しかし、同じ方針からの繰り返しサンプリングは、同様の推論経路に集中し、固定されたロールアウト予算の下で探索されていない有用な代替手段を残すことができる。トレーニングのロールアウトを多様化するオンライン手法である Activation-Space Exploration (ASE) を導入し、その後のロールアウトに異なるベクトルを適用して、代替の推論経路を探索する。
論文参考訳（メタデータ） (2026-10-19T12:23:01Z)
ProbePO: Sparse Probes, Redistributed Credit for Critic-Free LLM Reinforcement Learning [55.716259164434234]
検証可能な報酬からの強化学習は、個々の推論ステップが結果にどのように貢献するかを解明し、すべての推論軌道に1つの終末報酬を割り当てる。 GRPOは、すべてのレスポンストークンに対してグループ正規化された利点をブロードキャストする一方、よりきめ細かいアプローチは、ポリシー更新に使用されるデータを変更可能な、高密度な補助的なロールアウトや分岐スキームに依存することが多い。限定的なロールアウト予算で、どの部分的なソリューションを評価すべきで、どのように価値を評価すればよいのか。 ProbePOは報酬のない不確実性スコアで部分解法状態を選択し、上限条件下で期待された検証者報酬を推定する
論文参考訳（メタデータ） (2026-10-17T07:19:05Z)
Bayesian Test-Time Inference of Task-Aligned Similarity from Weak Interactive Feedback [50.42640957891911]
言語モデルシステムは、類似性を比較することで、繰り返しテスト時の決定を行う。しかし、類似性はユニークではない:語彙、意味、構造、類似性はNの選択点を取得することができる。本稿では,現在の意思決定を統括するトレーニングフリーベイズ手法であるAxis Interactive Signalsを紹介する。
論文参考訳（メタデータ） (2026-10-13T16:19:49Z)
PaperGym: Rubric-Centered Evolution for Research-Plan Generation [69.5921878728483]
各研究論文を完全なトレーニング環境に変換する統合フレームワークであるPaperGymを紹介する。 PaperGymは論文の構造を利用しており、質問は研究目標と背景から合成され、基準は手法と実験から導かれる。レシピが固定され、PaperGym-20kで訓練されたモデルが3方向比較の58.1%を獲得し、Hub Scienceの28.2%が勝利した。
論文参考訳（メタデータ） (2026-08-31T17:31:18Z)
TrustRoboReward: Preference-Ordered Isotonic Score Editing for Multi-Paradigm Robot Reward Models [40.42873860258522]
優先順序等調スコア編集(POISE)を備えたマルチパラダイム報酬モデリングフレームワークであるTrustRoboRewardを提案する。 POISEはポイントワイズスコアを修正し、TrustJudgeが未解決のクロスパラダイム逆転競合を取り除く。 POISEでトレーニングされたQwen3-VL-4Bは、全体的な報酬スコアが77.96%に達し、GPT-5-mini(78.09%、ギャップ0.13%)とほぼ一致し、最強のRoboReward-4Bベースラインを10.13%上回った。
論文参考訳（メタデータ） (2026-08-09T05:25:22Z)
Critic Architecture Matters: Dual vs. Unified Critics for Humanoid Loco-Manipulation [0.0]
ヒューマノイドロボットのための多目的強化学習は、単一のポリシーで移動と操作を調整する必要がある。 NVIDIA Isaac Lab における Unitree G1 humanoid (23 active DoF) の比較を行った。批判的アーキテクチャは、多目的のヒューマノイドRLにおける主要な、そしてしばしば見落とされがちな設計選択である。
論文参考訳（メタデータ） (2026-06-10T10:21:38Z)
Step-wise Rubric Rewards for LLM Reasoning [72.17879367869503]
RLVR(Reinforcement Learning with Verifiable Rewards)は、大規模言語モデルの推論を改善するために広く使われている。正しい回答の18.2%は間違っているが、肯定的な報酬がある。 6つの数学的推論ベンチマークで、SRaRはRaRの平均精度を3.57ポイント改善した。
論文参考訳（メタデータ） (2026-05-17T07:08:14Z)
Preference Optimization for Reasoning with Pseudo Feedback [100.62603571434167]
提案手法では,解のラベル付けを関連するテストケースに対する評価として行うことで,推論タスクに対する疑似フィードバックを生成する手法を提案する。本研究では,擬似フィードバックを優先最適化に用いる数学的推論と符号化の両タスクについて実験を行い,両タスク間の改善を観察する。
論文参考訳（メタデータ） (2024-11-25T12:44:02Z)
Applying Large Language Models and Chain-of-Thought for Automatic Scoring [23.076596289069506]
本研究では,大規模言語モデル(LLM)の学生による科学評価に対する応答の自動評価への適用について検討した。我々は、これまで人工知能ベースの自動スコアリングツールの使用を制限していたアクセシビリティ、技術的複雑さ、説明可能性の欠如といった課題を克服することに注力した。
論文参考訳（メタデータ） (2023-11-30T21:22:43Z)

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。