論文の概要: Separable Pathways for Causal Reasoning: How Architectural Scaffolding Enables Hypothesis-Space Restructuring in LLM Agents

• arxiv url: http://arxiv.org/abs/2604.20039v1
• Date: Tue, 21 Apr 2026 22:49:17 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-23 15:36:10.87919
• Title: Separable Pathways for Causal Reasoning: How Architectural Scaffolding Enables Hypothesis-Space Restructuring in LLM Agents
• Title（参考訳）: 因果推論のための分離経路:LLMエージェントの仮説空間再構成をいかに実現するか
• Authors: John Alderete, Sebastian Benthal, Connie Xu, John Xing,
• Abstract要約: 我々は,ブレケット検出器のパラダイムを発達科学から,仮説空間再構成をターゲットとしたアーキテクチャ的な足場を備えたAIエージェントのテスト能力まで拡張する。 コンポジションアーキテクチャには、型付き状態マシンとして構造探索を行うコンテキストグラフと、現在の仮説空間が不十分である証拠を監視し、実行時に拡張する動的挙動の2つの独立したコンポーネントがある。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Causal discovery through experimentation and intervention is fundamental to robust problem solving. It requires not just updating beliefs within a fixed framework but revising the hypothesis space itself, a capacity current AI agents lack when evidence demands representations they have not previously constructed. We extend the blicket detector paradigm from developmental science to test this capacity in AI agents equipped with architectural scaffolding that targets hypothesis-space restructuring. Our compositional architecture has two discrete components: context graphs, which structure exploration as typed state machines, and dynamic behaviors, which monitor for evidence that the current hypothesis space is inadequate and expand it at runtime. Across 1,085 experimental trials, these components make orthogonal contributions: context graphs drive reasoning quality within the post-switch hypothesis space, accounting for 94\% of the accuracy gain, while dynamic behaviors drive reasoning eligibility by detecting regime changes and preventing premature commitment to outdated hypotheses.
• Abstract（参考訳）: 実験と介入による因果発見は、堅牢な問題解決に不可欠である。 固定されたフレームワーク内での信念を更新するだけでなく、仮説空間自体を改訂する必要がある。 我々は、仮説空間再構成をターゲットとしたアーキテクチャ的な足場を備えたAIエージェントにおいて、ブレケット検出器のパラダイムを発達科学から拡張し、この能力をテストする。 コンポジションアーキテクチャには、型付き状態マシンとして構造探索を行うコンテキストグラフと、現在の仮説空間が不十分である証拠を監視し、実行時に拡張する動的挙動の2つの独立したコンポーネントがある。 文脈グラフは、スウィッチ後の仮説空間における推論品質を推し進め、精度の99%を占め、動的挙動は、状態変化を検出し、時代遅れの仮説への早期のコミットメントを防ぐことによって推論の適性を促進する。

関連論文リスト

• Anatomy of a Lie: A Multi-Stage Diagnostic Framework for Tracing Hallucinations in Vision-Language Models [62.932580559941414]
  VLM(Vision-Language Models)は、しばしば「ハロシン化(hallucinate)」する。 本稿では,静的な出力誤差からモデル計算認知の動的病理へ再キャストし,幻覚を診断するための新しいパラダイムを提案する。
  論文  参考訳（メタデータ） (2026-03-16T17:20:38Z)
• Consistency Is Not Always Correct: Towards Understanding the Role of Exploration in Post-Training Reasoning [75.79451512757844]
  基礎モデルは幅広い知識を示すが、タスク固有の推論は限定的である。 RLVRと推論スケーリングは、RLVRや推論スケーリングのようなトレーニング後の戦略を動機付けます。 RLVRはスキューズ効果を誘発し,推論エントロピーを減少させ,正しい経路を忘れることを示した。
  論文  参考訳（メタデータ） (2025-11-10T18:25:26Z)
• Towards Error-Centric Intelligence II: Energy-Structured Causal Models [0.0]
  インテリジェンスは説明を構築し、洗練する能力である。 本稿では、単に予測するだけでなく、理解しようとするシステムにおける因果推論のための形式言語を提供する。
  論文  参考訳（メタデータ） (2025-10-24T22:19:17Z)
• Towards Error Centric Intelligence I, Beyond Observational Learning [0.0]
  AGIの進歩はデータやスケールよりも理論に限定されていると我々は主張する。 まず、基礎、知識の定義、学習、知性、反事実能力、そしてAGIを作ることから始めます。 我々は、エージェントのアクションの下で、明示的かつ暗黙的なエラーがどのように進化するかについて、問題を3つの質問として再考した。
  論文  参考訳（メタデータ） (2025-10-16T20:33:55Z)
• Active Inference AI Systems for Scientific Discovery [1.450405446885067]
  この観点では、進歩は抽象論、推論、経験的根拠の3つのギャップを互いに強化する。 デザイン原則は、想像空間を推論し、世界から学ぶシステムのために提案されている。
  論文  参考訳（メタデータ） (2025-06-26T14:43:04Z)
• Controllable Logical Hypothesis Generation for Abductive Reasoning in Knowledge Graphs [54.596180382762036]
  知識グラフの帰納的推論は、観測された実体からもっともらしい論理的仮説を生成することを目的としている。 可制御性の欠如により、単一の観測は、多くの妥当だが冗長あるいは無関係な仮説をもたらす可能性がある。 帰納的推論の実用性を改善するために,制御可能な仮説生成タスクを導入する。
  論文  参考訳（メタデータ） (2025-05-27T09:36:47Z)
• Discovering Latent Causal Variables via Mechanism Sparsity: A New Principle for Nonlinear ICA [81.4991350761909]
  ICA(Independent component analysis)は、この目的を定式化し、実用的な応用のための推定手順を提供する手法の集合を指す。 潜伏変数は、潜伏機構をスパースに正則化すれば、置換まで復元可能であることを示す。
  論文  参考訳（メタデータ） (2021-07-21T14:22:14Z)
• Empirically Verifying Hypotheses Using Reinforcement Learning [58.09414653169534]
  本稿では,仮説検証をRL問題として定式化する。 我々は、世界の力学に関する仮説を前提として、仮説が真か偽かを予測するのに役立つ観測結果を生成することができるエージェントを構築することを目指している。
  論文  参考訳（メタデータ） (2020-06-29T01:01:10Z)
• Supporting Optimal Phase Space Reconstructions Using Neural Network Architecture for Time Series Modeling [68.8204255655161]
  位相空間特性を暗黙的に学習する機構を持つ人工ニューラルネットワークを提案する。 私たちのアプローチは、ほとんどの最先端戦略と同じくらいの競争力があるか、あるいは優れているかのどちらかです。
  論文  参考訳（メタデータ） (2020-06-19T21:04:47Z)

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。