arXiv cs.AI· Solim LeGris, Philipp Mondorf, Jinran Jin, Akshay K. Jagadish, Brenden M. Lake, Todd M. Gureckis·· 11 小时前AI 评分38
研究提出 BCSS：自动合成人类与机器推理的可解释符号模型
Synthesizing symbolic models of human and machine reasoning at scale
AI 导读
研究者提出 Behavior-Conditioned Symbolic Synthesis（BCSS），可自动搜索能可验证复现行为的可解释确定性符号程序，并用它建模人类与机器在数百个高难度推理问题上的表现。分析发现，人和机器都倾向过度简化、采用只部分解释观察结果的规则，并错误推断问题特征间的依赖关系；这些共同特征受可用资源调节，推理投入程度可预测机器简化和解释观察结果的程度。
正文 · AI 翻译
摘要：符号模型为认知提供了强有力的解释，但其适用范围历来受限于人工工程和计算可行性的需求。我们展示了人工智能（AI）的进展如何能够扩展符号建模，并帮助克服这些工程限制。我们提出了行为条件符号合成（BCSS）——一种用于自动搜索可解释、确定性符号程序的方法，这些程序能够可验证地复现行为——并将其应用于对数百个具有挑战性的推理问题中人类和机器行为的建模。分析这些程序揭示出，人和机器都倾向于过度简化，采用仅为其观察提供部分解释的规则，并错误推断问题特征之间的依赖关系。这些共同的签名受可用资源的调节，推理努力程度可预测机器简化并解释其观察的程度。总之，这些结果指向了人和机器中类似满意化（satisficing）的底层机制，并说明了 BCSS 如何为解释和比较人类与黑盒 AI 系统的基于规则的推理提供一种通用方法。
| 学科： | 人工智能（cs.AI）；机器学习（cs.LG） |
| 引用为： | arXiv:2611.07088 [cs.AI] |
| （或本版本的 arXiv:2611.07088v1 [cs.AI]） | |
| https://doi.org/10.48550/arXiv.2611.07088 由 DataCite 颁发的 arXiv DOI（待注册） |
提交历史
来自：Solim LeGris [查看邮箱]
[v1]
2026年11月4日星期三 19:51:02 UTC（3,269 KB）
来源：arXiv cs.AI · arxiv.org