論文の概要: LUCA: A Synthetic World for Experimental Reasoning

• arxiv url: http://arxiv.org/abs/2611.03100v1
• Date: Mon, 02 Nov 2026 13:17:36 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-11-06 13:24:31.373958
• Title: LUCA: A Synthetic World for Experimental Reasoning
• Title（参考訳）: LUCA:実験推論のための合成世界
• Abstract要約: LUCAは実験薬の評価のための合成世界である。 エージェントは予算実験を通じて未知の規制システムを学ぶ。 その後、見えない介入を予測し、隠れた断層を診断し、救助を試みる。
• 参考スコア（独自算出の注目度）: 0.30998852056211806
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: An experimental agent can succeed for the wrong reasons. Evaluations, however, often focus on the outcome, not the experiments, evidence, and inferences that produced it. We introduce LUCA, a configurable synthetic world for evaluating this process under fully known ground truth. Agents learn unknown regulatory systems through budgeted experimentation, then predict unseen interventions, diagnose hidden faults, and attempt rescues. This setup allows us to evaluate experiment selection, prediction, diagnosis, and intervention separately. Across seven frontier LLMs and three baselines, these capabilities dissociate sharply. Agents frequently rescue malfunctioning systems while diagnosing the wrong fault; diagnosis varies 7x across models while prediction varies only 1.4x. Models also adopt surprisingly different experimental strategies, and greater exploration does not reliably yield better performance. In one failure mode, agents often perform the experiment needed to distinguish competing causes, but still fail to use the resulting evidence. LUCA turns these hidden failures into measurable behaviours, providing a controlled environment to study where experimental agents succeed and fail. Code: https://github.com/RelationRx/luca.
• Abstract（参考訳）: 実験員は間違った理由で成功できる。 しかし、評価は結果に焦点を合わせ、その結果を生み出した実験、証拠、推論に焦点をあてることが多い。 我々は、この過程を、完全に知られた真実の下で評価するための、構成可能な合成世界LUCAを紹介する。 エージェントは予算的な実験を通じて未知の規制システムを学習し、目に見えない介入を予測し、隠れた断層を診断し、救助を試みる。 この設定により、実験の選択、予測、診断、介入を別々に評価できる。 7つのフロンティアLSMと3つのベースラインにまたがって、これらの能力は急激に解離する。 エージェントは間違った欠陥を診断しながら誤動作システムを救い出すが、診断はモデルによって7倍、予測は1.4倍である。 モデルは驚くほど異なる実験戦略も採用する。 ある障害モードでは、エージェントはしばしば競合する原因を識別するために必要な実験を行うが、それでも結果の証拠は使用できない。 LUCAはこれらの隠れた障害を測定可能な行動に変え、実験的なエージェントが成功するか、失敗するかを研究するための制御された環境を提供する。 コード:https://github.com/RelationRx/luca。

関連論文リスト

• One Reflection Is Not Enough: Self-Correcting Autonomous Research via Multi-Hypothesis Failure Attribution [85.65263343588026]
  我々は,自己修正型,自律型,接地型実験機であるSAGEを提案する。 その中核的なメカニズムであるMHFA(Multi-Hypothesis Failure Attribution)は、回復を構造的因果診断として扱う。 12のトピック、5ドメインのベンチマークでは、SAGEは基準リフレクションでメトリクスを含むアウトプットを42%から92%に増やしている。
  論文  参考訳（メタデータ） (2026-06-30T10:54:16Z)
• CausaLab: A Scalable Environment for Interactive Causal Discovery Toward AI Scientists [28.253879252786632]
  LLMエージェントによる対話的因果発見を評価するスケーラブルな環境であるCausaLabを紹介する。 以前の評価とは異なり、CausaLabは、エージェントが因果的証拠を用いて問題を解くことができるかどうか、そしてその答えが忠実に回復された因果的メカニズムに根ざされているかどうかを評価している。
  論文  参考訳（メタデータ） (2026-05-25T16:57:06Z)
• Plausible but Wrong: A case study on Agentic Failures in Astrophysical Workflows [10.078675569996992]
  CMBAgentを2つのワークフローパラダイムと18の天体物理タスクで評価した。 One-Shot設定では、ドメイン固有のコンテキストへのアクセスは、およそ6倍のパフォーマンス向上をもたらす。 ディープ・リサーチ・セッティングでは、このシステムはストレステスト全体でサイレント障害をしばしば示し、身体的に矛盾した後部を自己診断なしで生成する。
  論文  参考訳（メタデータ） (2026-04-28T08:01:23Z)
• Experiments or Outcomes? Probing Scientific Feasibility in Large Language Models [17.31622097939325]
  制御された知識条件下での大規模言語モデル(LLM)を評価する。 実験および/または結果コンテキストの一部を除去することで、ロバスト性を調査する。 実験的なエビデンスがLCMベースの実現可能性評価に有効である場合と、脆弱性を導入する場合を明確にする。
  論文  参考訳（メタデータ） (2026-04-20T19:48:33Z)
• Can Large Language Models Help Experimental Design for Causal Discovery? [94.66802142727883]
  Large Language Model Guided Intervention Targeting (LeGIT) は、LLMを効果的に組み込んだ堅牢なフレームワークであり、因果発見のための介入のための既存の数値的アプローチを強化する。 LeGITは、既存の方法よりも大幅な改善と堅牢性を示し、人間を超越している。
  論文  参考訳（メタデータ） (2025-03-03T03:43:05Z)
• Prediction-Powered Causal Inferences [59.98498488132307]
  予測型因果推論(PPCI)に焦点をあてる まず, 条件付きキャリブレーションにより, 人口レベルでの有効なPPCIが保証されることを示す。 次に、実験間での十分な表現制約伝達の妥当性を導入する。
  論文  参考訳（メタデータ） (2025-02-10T10:52:17Z)
• BaCaDI: Bayesian Causal Discovery with Unknown Interventions [118.93754590721173]
  BaCaDIは因果構造と介入の両方の潜在確率的表現の連続的な空間で機能する。 BaCaDIは、合成因果発見タスクとシミュレートされた遺伝子発現データの実験において、因果構造と介入ターゲットを識別する関連手法より優れている。
  論文  参考訳（メタデータ） (2022-06-03T16:25:48Z)
• Interventions, Where and How? Experimental Design for Causal Models at Scale [47.63842422086614]
  観測データと介入データからの因果発見は、限られたデータと非識別性のために困難である。 本稿では,ベイジアン因果発見の最近の進歩を,ベイジアン最適実験設計フレームワークに取り入れる。 本稿では, 線形および非線形SCMの合成グラフと, シリコン内単一細胞遺伝子制御ネットワークデータセットであるDREAMの性能について述べる。
  論文  参考訳（メタデータ） (2022-03-03T20:59:04Z)

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。