論文の概要: PRIME: Predictive Routing of Interventions by Modeling Effects for Scientific Ideation

• arxiv url: http://arxiv.org/abs/2611.03055v1
• Date: Mon, 02 Nov 2026 12:49:33 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-11-06 13:40:15.129184
• Title: PRIME: Predictive Routing of Interventions by Modeling Effects for Scientific Ideation
• Title（参考訳）: PRIME:科学的思考に対する効果のモデル化による介入の予測的ルーティング
• Abstract要約: 本稿では,既存の科学思想家のためのプラグ・アンド・プレイ型フィードバック・ツー・リビジョン決定層であるPRIMEを紹介する。 診断介入ミスマッチは,112対の人間に注釈を付けたアイデアフィードバックペアで検証した。
• 参考スコア（独自算出の注目度）: 59.063667990620786
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Feedback-driven iteration is widely used to improve LLM-generated scientific ideas, but existing systems either leave revision decisions implicit in generation, align revisions with feedback-localized weaknesses, or restrict action selection to system-specific operations. This is problematic because problems, hypotheses, and solutions are interdependent: the location where a weakness manifests does not itself determine the revision scope that will produce a better successor. We term this phenomenon diagnosis-intervention mismatch. We introduce Predictive Routing of Interventions by Modeling Effects (PRIME), a plug-and-play feedback-to-revision decision layer for existing scientific ideators. PRIME operates in three stages: (1) Structural Attribution interprets feedback over the problem-hypothesis-solution structure without fixing a revision target; (2) Counterfactual Routing constructs alternative scope-conditioned interventions and compares their projected successor utility and risks through lightweight rollouts; and (3) Intervention Execution compiles the selected intervention into an ordered generator-facing plan with semantic actions, preservation constraints, and dependency requirements for successor generation. We validate diagnosis intervention mismatch on 112 human-annotated idea-feedback pairs. Across four benchmarks, two ideators, and fixed- and open-problem settings, PRIME improves successor quality and routing reliability over strong baselines; removing counterfactual routing reduces quality from 3.463 to 1.960 and increases route regret from 0.426 to 1.929, confirming cross-scope effect modeling as the primary source of its gains.
• Abstract（参考訳）: フィードバック駆動のイテレーションは、LLM生成の科学的アイデアを改善するために広く使用されているが、既存のシステムは、更新決定を生成時に暗黙的に残すか、フィードバックの局所的な弱点とリビジョンを整列させるか、システム固有の操作にアクションの選択を制限するかのいずれかである。 これは問題、仮説、解決策が相互依存しているためである:弱点が現れる場所はそれ自体がより良い後継者を生み出すリビジョンの範囲を決定するものではない。 我々はこの現象を診断・干渉ミスマッチと呼ぶ。 本稿では,既存の科学思想家のためのプラグ・アンド・プレイ・フィードバック・ツー・リビジョン決定層であるPRIME(Predictive Routing of Interventions by Modeling Effects)を紹介する。 PRIME は,(1) 修正対象の修正を伴わずに,課題・仮説・解決構造に対するフィードバックを解釈する構造的属性,(2) 代替のスコープ条件付き介入の構築と,その計画された後継ユーティリティとリスクの軽量ロールアウトによる比較,(3) 介入実行は,選択した介入を,セマンティックアクション,保存制約,および後継生成のための依存性要件を含む順序付きジェネレータ対応プランにコンパイルする。 診断介入ミスマッチは,112対の人間に注釈を付けたアイデアフィードバックペアで検証した。 PRIMEは4つのベンチマーク、2つのアイデアエータ、固定およびオープンプロブレム設定で、後継品質と強いベースラインに対するルーティング信頼性を改善し、反ファクトルーティングを3.463から1.960に削減し、経路後悔を0.426から1.929に増加させ、クロススコープ効果モデリングがその利益の主源であることを確認した。

関連論文リスト

• The Role of Causality in Algorithmic Recourse [10.770213929153371]
  アルゴリズム・リコースは、個人に行動可能な変化を与え、ハイテイクな分類設定で予測結果を改善することを目的としている。 既存のアプローチのほとんどは、変更が個人の真の資格を真に改善するかどうかを考慮せずに、モデルの予測にのみフォーカスする。 我々は、この障害モードを推論のための因果的パフォーマンスフレームワークによって形式化する。
  論文  参考訳（メタデータ） (2026-07-30T16:42:51Z)
• R-APS: Compositional Reasoning and In-Context Meta-Learning for Constrained Design via Reflective Adversarial Pareto Search [18.8323743697237]
  大規模言語モデル(LLM)は、オープンなタスクに精通しているが、エージェント設定では、信頼性の高いデリバリが保証されない。 エラーは局所化せずに伝播し、最悪の場合の摂動は未評価となり、蓄積された知識は決して無効にされない。 帰納的、反事実的、メタ帰納的、是正的、帰納的推論は、相容れない方向に共有コンテキストを引き出す。
  論文  参考訳（メタデータ） (2026-06-03T12:45:39Z)
• Adversarial Feeds Steer LLM Agent Decisions Against Their Defaults [0.0]
  LLMエージェントは、ソーシャルフィード、検索結果、検索コンテキスト、電子メールキューなどのランク付けされた外部情報ストリームを消費した後、ますます行動する。 モデル,ペルソナ,トピック,最終決定のプロンプトを保持する制御プロトコルを導入し,エージェントが遭遇するポストの構成と順序だけを変化させる。 我々は, 逆降圧, デフォルト飽和, 一方のフィードが真に不確実な決定を下す非対称性の3つの応答機構を同定した。
  論文  参考訳（メタデータ） (2026-05-30T22:43:23Z)
• Causal Algorithmic Recourse: Foundations and Methods [57.73269033551628]
  AIシステムの主な特徴は、個人が否定的な決定を覆す方法のレコメンデーションを提供する能力である。 既存のアプローチでは、recourseの結果を固定単位の反事実として扱う。 我々は、事前および事後結果のプロセスとして、会話をモデル化する因果的枠組みを開発する。
  論文  参考訳（メタデータ） (2026-05-12T00:55:19Z)
• CellScientist: Dual-Space Hierarchical Orchestration for Closed-Loop Refinement of Virtual Cell Models [62.281480231694]
  VCM(Virtual Cell Modeling)は、摂動応答を予測できるだけでなく、予測が失敗した場合にターゲットリビジョンをサポートするモデルを必要とする。 現在のLCM支援モデリングでは、予測誤差が実行可能実装を通して観測されるという改善ルーティング問題に直面している。 提案するCellScientistは,高レベル仮説空間と低レベル実行可能実装空間を結合した,二重空間階層型フレームワークである。
  論文  参考訳（メタデータ） (2026-05-08T06:40:24Z)
• OI-Bench: An Option Injection Benchmark for Evaluating LLM Susceptibility to Directive Interference [5.418299350534956]
  大きな言語モデル(LLM)のベンチマークは、その能力、制限、堅牢性を理解する上で非常に重要です。 提案手法では,MCQA (Multi-choice Question answering) インターフェースを改良するベンチマーク手法であるオプションインジェクションを導入する。 OI-Benchは、知識、推論、コモンセンスタスクにまたがる3000の質問のベンチマークである。 攻撃成功率,行動応答を分析し,推論時間からトレーニング後アライメントまでの緩和戦略について検討した。
  論文  参考訳（メタデータ） (2026-01-19T18:56:08Z)
• STARec: An Efficient Agent Framework for Recommender Systems via Autonomous Deliberate Reasoning [54.28691219536054]
  我々は、自律的な熟考的推論機能を備えたレコメンデータシステムを支援する、ゆっくり考えられた拡張エージェントフレームワークSTARecを紹介する。 我々は,先進的推論モデルと嗜好整合型報酬形成から構造化知識の蒸留を組み合わせた2段階のパラダイムであるアンカー強化訓練を開発する。 MovieLens 1MとAmazon CDsベンチマークの実験では、STARecは最先端のベースラインと比較して、大幅なパフォーマンス向上を実現している。
  論文  参考訳（メタデータ） (2025-08-26T08:47:58Z)
• Retrieval is Not Enough: Enhancing RAG Reasoning through Test-Time Critique and Optimization [58.390885294401066]
  Retrieval-augmented Generation (RAG) は知識基底型大規模言語モデル(LLM)を実現するためのパラダイムとして広く採用されている。 RAGパイプラインは、モデル推論が得られた証拠と整合性を維持するのに失敗することが多く、事実上の矛盾や否定的な結論につながる。 批判駆動アライメント(CDA)に基づく新しい反復的枠組みであるAlignRAGを提案する。 AlignRAG-autoは、動的に洗練を終了し、批判的な反復回数を事前に指定する必要がなくなる自律的な変種である。
  論文  参考訳（メタデータ） (2025-04-21T04:56:47Z)
• Decomposing Counterfactual Explanations for Consequential Decision Making [11.17545155325116]
  我々は、IMFと強い因果的前提の間のギャップを埋める、新しく実践的な枠組みを開発する。 textttは、共変特徴の潜在表現をアンタングルすることで、recoursesを生成する。 実世界のデータに関する我々の実験は、理論上動機づけられたリコースモデルと相関し、信頼性と低コストのリコースを提供するフレームワークの能力を強調します。
  論文  参考訳（メタデータ） (2022-11-03T21:26:55Z)
• Towards Robust and Adaptive Motion Forecasting: A Causal Representation Perspective [72.55093886515824]
  本稿では,3つの潜伏変数群からなる動的過程として,運動予測の因果的形式化を導入する。 我々は、因果グラフを近似するために、不変なメカニズムやスタイルの共創者の表現を分解するモジュラーアーキテクチャを考案する。 合成および実データを用いた実験結果から,提案した3つの成分は,学習した動き表現の頑健性と再利用性を大幅に向上することが示された。
  論文  参考訳（メタデータ） (2021-11-29T18:59:09Z)

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。