論文の概要: Position: Prioritize Identifying Structure, Not Complex Models, for Scientific Discovery
- arxiv url: http://arxiv.org/abs/2606.02632v1
- Date: Sat, 30 May 2026 15:21:58 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-03 22:00:04.475188
- Title: Position: Prioritize Identifying Structure, Not Complex Models, for Scientific Discovery
- Title（参考訳）: 位置: 科学的発見のための複雑なモデルではなく、構造を優先順位付けする
- Abstract要約: 現代の機械学習(ML)と人工知能(AI)モデルは、観測データから科学的仮説や機械的説明を生成するためにますます使われている。
本稿では,現代のMLが優れている高次元のプロキシシステムにおいて,機械的学習は一般に過小評価されていることを論じる。
この下決定は、大きな言語モデル(LLM)によって一意に危険となり、大きな同値な説明のクラスを単一の流動的な物語に分解する傾向にある。
- 参考スコア（独自算出の注目度）: 1.3875545441867139
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Modern Machine Learning (ML) and Artificial Intelligence (AI) models, especially large language models (LLMs), are increasingly used to generate scientific hypotheses and mechanistic explanations from observational data. This position paper argues that in the high-dimensional proxy regimes where modern ML excels, mechanistic learning is generically underdetermined: many incompatible mechanisms induce essentially the same observational relationships on the support of the data, so predictive success and coherent explanations are insufficient evidence of mechanism discovery. This underdetermination becomes uniquely hazardous with large language models (LLMs), which tend to collapse large equivalence classes of explanations into a single fluent narrative. This paper proposes concrete standards for ``mechanistic ML,'' and argues these norms are necessary if LLM-centered workflows are to support science rather than merely simulate it.
- Abstract（参考訳）: 現代の機械学習(ML)と人工知能(AI)モデル、特に大きな言語モデル(LLM)は、観測データから科学的仮説や機械的説明を生成するためにますます使われている。
このポジションペーパーは、現代のMLが優れている高次元のプロキシシステムでは、機械学的な学習は一般的に過小評価され、多くの非互換なメカニズムは、データのサポートにおいて本質的に同じ観察上の関係を誘導するので、予測的成功とコヒーレントな説明はメカニズム発見の不十分な証拠であると主張している。
この下決定は、大きな言語モデル(LLM)によって一意に危険となり、大きな同値な説明のクラスを単一の流動的な物語に分解する傾向にある。
本稿では,「メカニスティックML」の具体的な規格を提案し,LLM中心のワークフローが単にそれをシミュレートするのではなく,科学を支援するためには,これらの規範が必要であると論じる。
関連論文リスト
- OMNIFLOW: A Physics-Grounded Multimodal Agent for Generalized Scientific Reasoning [51.33849811496781]
大規模言語モデル (LLM) は例外的な論理的推論能力を示しているが、部分微分方程式 (PDE) による連続力学としばしば競合する。
OMNIFLOWは, 領域固有のパラメータ更新を必要とせず, 基本物理法則で凍結LDMを基底として設計したマルチモーダルシンボリックアーキテクチャである。
我々は, 微視的乱流, 理論的ナビエ・ストークス, マクロ的世界天気予報のベンチマークでこれを評価した。
論文 参考訳（メタデータ） (2026-03-16T18:29:01Z) - Farther the Shift, Sparser the Representation: Analyzing OOD Mechanisms in LLMs [100.02824137397464]
難易度が増大する入力に遭遇した場合,大規模言語モデルが内部表現をどのように適応するかを検討する。
タスクの難易度が増大するにつれて、LLMの最後の隠れ状態は実質的にスペーサーとなる。
この空間性-微分的関係は、様々なモデルや領域で観測可能である。
論文 参考訳（メタデータ） (2026-03-03T18:48:15Z) - Hierarchical Latent Structures in Data Generation Process Unify Mechanistic Phenomena across Scale [50.33952894976367]
我々は文脈自由文法を用いて、ウェブスケールテキストコーパスのための忠実で効率的なプロキシである合成コーパスを生成する。
設計したデータ生成プロセスにおいて,誘導ヘッド,関数ベクトル,ハイドラ効果という3つの力学現象の出現について検討する。
これらの現象の出現を説明する上で,データ生成プロセスの階層構造がX因子となることが示唆された。
論文 参考訳（メタデータ） (2026-02-04T14:49:13Z) - Detailed balance in large language model-driven agents [1.2687030176231846]
大規模言語モデル(LLM)によるエージェントは、複雑な問題を解決するための強力な新しいパラダイムとして登場しつつある。
本報告では, エージェント内に埋め込まれたLCMの生成方向を推定する手法を提案する。
論文 参考訳（メタデータ） (2025-12-10T20:04:23Z) - Atomic Reasoning for Scientific Table Claim Verification [83.14588611859826]
非専門家は、その高い情報密度と認識される信頼性のために、科学的表に基づく主張を誤解させるおそれがある。
既存のテーブルクレーム検証モデル、例えば最先端の大規模言語モデル(LLM)は、しばしば精密なきめ細かい推論に苦しむ。
認知負荷理論に触発されて、表に基づく主張を解釈するモデルの能力を高めるには、認知負荷を減らす必要がある。
論文 参考訳（メタデータ） (2025-06-08T02:46:22Z) - Computation Mechanism Behind LLM Position Generalization [59.013857707250814]
大規模言語モデル(LLM)は、テキストの位置を扱う際の柔軟性を示す。
彼らは位置摂動のあるテキストを理解し、より長いテキストに一般化することができる。
この研究は言語現象とLLMの計算機構を結びつける。
論文 参考訳（メタデータ） (2025-03-17T15:47:37Z) - Using Machine Learning to Discover Parsimonious and Physically-Interpretable Representations of Catchment-Scale Rainfall-Runoff Dynamics [0.8594140167290097]
我々は、システム機能に関するより良い洞察を促進するために、パーシモーラスな最小最適表現を開発する。
物理的解釈可能性と予測性能の両立が,分散状態ネットワークを用いて達成できることが判明した。
その結果,数層 (最大2層) しか持たないMCPベースのMLモデルと相対性理論は,MLベースのストリームフローモデリングにおいて重要な役割を担っていることが示唆された。
論文 参考訳（メタデータ） (2024-12-06T08:30:01Z) - Reasoning Circuits in Language Models: A Mechanistic Interpretation of Syllogistic Inference [13.59675117792588]
言語モデル(LM)に関する最近の研究は、体系的な推論原理を学べるかという議論を巻き起こしている。
本稿では,シロメトリクス推論の機械論的解釈について述べる。
論文 参考訳（メタデータ） (2024-08-16T07:47:39Z) - Identifiable Causal Representation Learning: Unsupervised, Multi-View, and Multi-Environment [10.814585613336778]
因果表現学習は、機械学習のコアとなる強みと因果性を組み合わせることを目的としている。
この論文は、CRLが直接の監督なしに何が可能であるかを調査し、理論的基礎に寄与する。
論文 参考訳（メタデータ） (2024-06-19T09:14:40Z) - A phase transition between positional and semantic learning in a solvable model of dot-product attention [30.96921029675713]
学習可能な,低次元の問合せとキーデータを備えた非次元自己注意層として,高次モデルドット積注意法について検討した。
位置注意機構(それぞれの位置に基づくトークンを含む)と意味注意機構(それぞれの意味に基づいて互いに結びついているトークンを含む)と、サンプルの複雑さが増大する前者から後者への遷移が示される。
論文 参考訳（メタデータ） (2024-02-06T11:13:54Z) - Explainability for Large Language Models: A Survey [59.67574757137078]
大規模言語モデル(LLM)は、自然言語処理における印象的な能力を示している。
本稿では,トランスフォーマーに基づく言語モデルを記述する手法について,説明可能性の分類法を紹介した。
論文 参考訳（メタデータ） (2023-09-02T22:14:26Z) - Scientific Inference With Interpretable Machine Learning: Analyzing Models to Learn About Real-World Phenomena [4.312340306206884]
解釈可能な機械学習は、モデルを論理的に分析して解釈を導出することで解を提供する。
現在のIML研究は、科学的推論にMLモデルを活用するのではなく、MLモデルの監査に重点を置いている。
本稿では、モデルだけでなく、その表現する現象を照らし出すIMLメソッドを定式化した「プロパティ記述子」を設計するためのフレームワークを提案する。
論文 参考訳（メタデータ） (2022-06-11T10:13:21Z)
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。