arXiv cs.AI· Anita Yang, Siu Lun Chau, Tomoya Wakayama, Krikamol Muandet, Masaki Adachi·· 9 天前AI 评分22
用可能性推理实现开放式科学发现
Open-ended Scientific Discovery with Possibilistic Reasoning
AI 导读
研究将开放式科学发现问题形式化为溯因自主科学发现（AASD），基于可能性理论提出可计算的溯因效用度量，并给出首个 AASD 算法 possibility frontier search，在合适条件下保持 anytime 有效性并渐近达到 ε-最优溯因效用。合成与真实科学发现任务实验显示其表现强劲。
正文 · AI 翻译
摘要：使用 LLM 进行自主科学发现需要在证据不断积累的过程中自适应地生成和检验假设，同时保持统计有效性。现有的随时有效方法可以处理依赖数据的假设，但开放式发现带来了更深层的挑战：所发现的最佳假设可能仍是一堆糟糕假设中最好的一个，而更好的解释尚未被发现；甚至诸如物理定律之类的背景知识也可能需要根据新发现而修正。为此，我们使用可能性理论将这一问题形式化为溯因自主科学发现（AASD）。我们引入了溯因效用，一种可计算的发现进展度量，以及可能性前沿搜索，这是首个用于 AASD 的算法，它保持随时有效性，并在适当条件下渐近达到 $\varepsilon$-最优溯因效用。在合成和真实世界科学发现任务上的实验显示出强劲的性能。
| 主题： | 人工智能（cs.AI） |
| 引用为： | arXiv:2610.11289 [cs.AI] |
| （或 arXiv:2610.11289v1 [cs.AI] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2610.11289 由 DataCite 颁发的 arXiv DOI（待注册） |
提交历史
来自：Anita Yang [查看电子邮件]
[v1]
2026年10月8日星期四 05:52:14 UTC（1,714 KB）
来源：arXiv cs.AI · arxiv.org