arXiv cs.AI· Ziang Liu, James J. Kim, Yijia Dai, Jennifer J. Sun·· 10 小时前AI 评分52
Contrastive Discovery：用竞争解释对比集改进 LLM 智能体的开放式科学发现
Contrastive Discovery: Open-Ended Scientific Discovery over Competing Explanations
AI 导读
论文提出 Contrastive Discovery 方法，用由互斥且穷尽的竞争解释组成的对比集替代单点假设检验，让 LLM 智能体在证据拒绝某个假设时能定位到具体替代解释。
正文 · AI 翻译
摘要：LLM 智能体越来越多地被用于开放式、数据驱动的科学发现，但其中大多数以逐点方式评估假设，仅针对其补集 $\neg h$ 来检验经验性主张 $h$。当证据否定 $h$ 时，智能体得知某一种解释不太可能，却不知道证据支持哪一种替代解释。为了找回该替代解释，我们引入了对比发现（Contrastive Discovery），它用对比集取代单一假设——对比集是一个科学问题，配以互斥且穷尽的竞争性解释。每个实验根据其证据在该集合上重新分配信念的程度来评分，当信念集中于某一种解释时，该问题即告解决。由于对比集只改变智能体提出和评分的单元，现有智能体可以用它重新评估已经收集到的证据，或引导其搜索。在六个领域中，信念偏移最大的逐点候选中，$89\%$ 是拒绝。在相同证据下，对比集将这些候选中的 $73\%$ 归结为某个具体的替代解释。当对比集引导搜索时，在相同实验预算下，智能体解决的问题比逐点惊奇度多 $67\%$。在一项盲测研究中，$38$ 位人类专家在 $78\%$ 的已解决问题上选择了相同的解释，在逐点智能体拒绝其假设并停止的问题上，这一比例为 $82\%$。这些结果共同表明，明确的竞争性解释是发现智能体在相同证据和验证预算下解决更多科学问题的一种途径。
| 评论： | 已被 NeurIPS 2026 接收。55 页。项目页面：此 https URL |
| 主题： | 人工智能（cs.AI）；计算与语言（cs.CL）；机器学习（cs.LG） |
| 引用为： | arXiv:2611.14514 [cs.AI] |
| （或 arXiv:2611.14514v1 [cs.AI] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2611.14514 由 DataCite 颁发的 arXiv DOI（待注册） |
提交历史
来自：Ziang Liu [查看电子邮件]
[v1]
2026 年 11 月 10 日星期二 18:58:43 UTC（827 KB）
来源：arXiv cs.AI · arxiv.org