論文の概要: Discovery under Hypothesis Redundancy: A Geometric Theory of Discovery Bottlenecks

• arxiv url: http://arxiv.org/abs/2606.14386v1
• Date: Fri, 12 Jun 2026 12:21:09 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-15 16:00:42.890174
• Title: Discovery under Hypothesis Redundancy: A Geometric Theory of Discovery Bottlenecks
• Title（参考訳）: 仮説冗長下での発見:発見の幾何学的理論
• Authors: Li Xia, Baoxun Wang,
• Abstract要約: 構造化局所探索とLLM生成非局所的提案を組み合わせたハイブリッド探索システムについて検討した。 ハイブリッド・アドバンテージのための3つの幾何学的条件を定式化し、ハイブリッド・アドバンテージに必要な条件を導出し、そのメカニズムをテストする。 このフレームワークは、LLM誘導による発見を、ジェネリックノベルティ探索から、指示された非局所探索がいつ保証されるかを決定するための診断手順に変換する。
• 参考スコア（独自算出の注目度）: 3.929022620607768
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Scientific discovery saturates when new hypotheses cease to provide independent information, even if the nominal hypothesis space remains large. We study hybrid discovery systems that combine structured local search with LLM-generated non-local proposals and pose the Search Compression Hypothesis: non-local exploration helps only when three geometric conditions co-occur: spectral compression, orthogonal escape from the explored span, and residual signal alignment with the target. We formalize these conditions, derive necessary conditions for hybrid advantage, and test the mechanism in controlled synthetic environments, large-scale A-share factor discovery, and symbolic-regression benchmarks; a public tabular operational sanity check tests the associated budget-allocation implication. Signal-planting and directed-versus-random experiments show that novelty alone is insufficient: random orthogonal jumps expand coverage but do not improve yield without predictive alignment. Across compression sweeps, real factor archives, and LLM-SRBench tasks, hybrid gains concentrate in weakly represented but target-bearing directions and vanish as the hypothesis space approaches full rank. The framework turns LLM-guided discovery from generic novelty search into a diagnostic procedure for deciding when directed non-local exploration is warranted.
• Abstract（参考訳）: 科学的な発見は、たとえ名目上の仮説空間が大きなままであっても、新しい仮説が独立した情報を提供するのをやめたときに飽和する。 非局所探索は3つの幾何学的条件 – スペクトル圧縮, 探索したスパンからの直交脱出, ターゲットとの残差信号アライメント – が共起する場合にのみ有効である。 我々はこれらの条件を定式化し、ハイブリッド・アドバンテージに必要な条件を導出し、制御された合成環境、大規模Aシェアファクター発見、およびシンボル回帰ベンチマークにおいてメカニズムをテストする。 信号移植および直交ランダム実験は、新規性だけでは不十分であることを示す: ランダム直交ジャンプはカバレッジを拡大するが、予測アライメントなしでは収量を改善することはない。 圧縮スイープ、実因子アーカイブ、LLM-SRBenchタスク全体にわたって、ハイブリッドゲインは弱いが目標を持つ方向に集中し、仮説空間がフルランクに近づくと消滅する。 このフレームワークは、LLM誘導による発見を、ジェネリックノベルティ探索から、指示された非局所探索がいつ保証されるかを決定するための診断手順に変換する。

関連論文リスト

• CANN-EUCLID: unsupervised constitutive artificial neural network model discovery from full-field data [0.0]
  構成的人工ニューラルネットワーク(CANN)は、解釈可能な物質モデル発見を提供する。 CANNは、これまで、均質なテストから明らかなストレス-ストレインデータに基づいて、ストレス誘発設定に使われてきた。 ここでは, 応力非教師付きフルフィールド発見フレームワークであるEUCLIDとCANNを組み合わせて, スパース超弾性法則を同定する。
  論文  参考訳（メタデータ） (2026-06-12T15:44:06Z)
• Agreement in Representation Space for Open-Ended Self-Consistency [7.4508858982186]
  コード合成やテキスト要約などのオープンな生成タスクにおける自己整合性について検討する。 EBA(Embedding-Based Agreement)は,組込み空間におけるサンプル世代をクラスタリングすることによって合意を推定する,トレーニング不要な運用方式である。 EBAはランダム選択を一貫して上回り、最近の選択アプローチよりも安定したスケーリング挙動を示す。
  論文  参考訳（メタデータ） (2026-06-10T12:26:49Z)
• All Circuits Lead to Rome: Rethinking Functional Anisotropy in Circuit and Sheaf Discovery for LLMs [61.02007370456733]
  一つのタスクを複数の、構造的に異なる回路やシーブでサポートできることを示し、同時に忠実で、疎結合で、完全であることを示す。 分布回路仮説を提案し,高次元重ね合わせから自然に非一様で低オーバーラップ回路の説明が生じることを示す理論的解析を行った。
  論文  参考訳（メタデータ） (2026-05-12T19:21:23Z)
• LLM-Guided Open Hypothesis Learning from Autonomous Scanning Probe Microscopy Experiments [3.783505208172849]
  シンボル回帰と大規模言語モデルに基づく物理評価を組み合わせたオープンな仮説学習フレームワークを提案する。 本稿では,PZT薄膜における強誘電体ドメインスイッチングの自律型圧電力顕微鏡による計測について述べる。
  論文  参考訳（メタデータ） (2026-05-07T18:44:46Z)
• HypoSpace: Evaluating LLM Creativity as Set-Valued Hypothesis Generators under Underdetermination [46.896452542901805]
  有限仮説集合のサンプルとして LLM を扱う診断スイートである hypoSpace を紹介する。 我々は、決定論的検証器と正確に列挙された仮説空間を持つ3つの構造化された領域において、HypoSpaceをインスタンス化する。 命令調整と推論に焦点を当てたモデル全体では、検証性はしばしば高く保たれ、ユニキネスとリカバリは許容空間が大きくなるにつれて劣化する。
  論文  参考訳（メタデータ） (2025-10-17T13:00:32Z)
• Hypothesis Hunting with Evolving Networks of Autonomous Scientific Agents [52.50038914857797]
  この過程を仮説探索と呼び、膨大な複雑な仮説空間を横断する持続的な探索を通して洞察を累積的に探索する。 本稿では、エージェント、ネットワーク、評価規範の相互作用としてフレームワークモデリングディスカバリであるAScienceを紹介し、ASCollabとして実装する。 実験により、このような社会的ダイナミクスは、多様性-品質-ノーベルティフロンティアに沿った専門家評価結果の蓄積を可能にすることが示された。
  論文  参考訳（メタデータ） (2025-10-08T08:47:07Z)
• Optimal Multi-Distribution Learning [88.3008613028333]
  マルチディストリビューション学習は、$k$の異なるデータ分散における最悪のリスクを最小限に抑える共有モデルを学ぶことを目指している。 本稿では, (d+k)/varepsilon2の順に, サンプルの複雑さを伴って, ヴァレプシロン最適ランダム化仮説を導出するアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2023-12-08T16:06:29Z)
• Experimental demonstration of genuine tripartite nonlocality under strict locality conditions [16.812051020169257]
  非局所性は古典的な直観に反する自然の直観的特徴の1つを捉えている。 最近の調査によると、我々の物理的世界の非局所性は少なくとも三部類である。 我々は、厳密な局所性制約の下で、そのような真の三部類非局所性を実験的に示す。
  論文  参考訳（メタデータ） (2022-03-02T06:08:19Z)

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。