arXiv cs.AI· Harshit Joshi, Priyank Shethia, Monica S. Lam·· 3 天前AI 评分34
SHELDON：在假设空间与观测空间上双重搜索的推理框架
SHELDON: Reasoning through Dual Search over Hypothesis and Observation Spaces
AI 导读
受假说-演绎法与科学发现双空间模型启发，SHELDON 将假设空间与观测空间分开表示并联合探索，通过主动寻找当前假设无法解释的新观测来引导新假设生成。在诊断、抽象推理和优化基准上，SHELDON 最高超过基线 26.7 分，并生成最多 4.5 倍的新颖解。
正文 · AI 翻译
摘要：测试时扩展使 LLM 能够解决日益复杂的推理、发现和优化任务。然而，现有方法通常在为当前假设寻找证据时收集观察结果，然后以这些假设及其相关证据为条件生成新假设。这将观察发现与现有假设耦合在一起，倾向于局部改进而非探索未知的假设区域。受假说-演绎法（Hempel, 1945）和科学发现的双空间模型（Klahr & Dunbar, 1988）启发，我们提出了 SHELDON，一种科学推理框架，分别表示并联合探索假设空间和观察空间。通过主动寻找新观察与新假设，SHELDON 能够发现其当前假设无法解释的观察结果。这些无法解释的观察结果暴露了其理解中的空白，激发新的研究，并引导生成超越现有假设改进的新假设。在诊断、抽象推理和优化基准上，SHELDON 比所评估的基线高出最多 26.7 分。额外分析表明，SHELDON 生成的新颖解决方案最多多出 4.5 倍。
| 评论： | 16 页正文，共 34 页。预印本 |
| 主题： | 人工智能（cs.AI）；机器学习（cs.LG） |
| 引用为： | arXiv:2610.18025 [cs.AI] |
| （或 arXiv:2610.18025v1 [cs.AI] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2610.18025 由 DataCite 颁发的 arXiv DOI（待注册） |
提交历史
来自：Harshit Joshi [查看电子邮件]
[v1]
2026 年 10 月 13 日星期二 09:19:23 UTC（4,036 KB）
来源：arXiv cs.AI · arxiv.org