論文の概要: Learning to Outgrow a Theory: Experimental Discovery Beyond the Initial Hypothesis Space

• arxiv url: http://arxiv.org/abs/2610.07627v1
• Date: Tue, 06 Oct 2026 02:19:53 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-08 02:58:29.757069
• Title: Learning to Outgrow a Theory: Experimental Discovery Beyond the Initial Hypothesis Space
• Title（参考訳）: 理論をアウトグローする学習:最初の仮説空間を越えての実験的発見
• Abstract要約: 構造的編集と診断実験を共同で提案する実験モデルクラスを定式化する。 この手法はクラスレベルの識別可能性の目的を結合し、1つの共有パラメータ化は選択された全ての実験を説明する必要がある。 400の維持管理された動的環境において、ジョイントポリシーは89.5%の正確なリカバリに達し、32の実際の実験が予算となっている。
• 参考スコア（独自算出の注目度）: 19.36096031197368
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Scientific discovery systems typically optimize experiments within a fixed hypothesis space. This creates a failure mode when all available candidates omit the same missing mechanism: candidate disagreement can collapse even while the model class is systematically wrong. We formulate experimental model-class revision, in which a discovery policy jointly proposes a structural edit and a diagnostic experiment that tests whether that edit is necessary. The method couples a class-level distinguishability objective, in which one shared parameterization must explain all selected experiments, with anytime-valid sequential evidence that triggers structural revision only after the current class is rejected. On 400 held-out controlled dynamical environments, the joint policy reaches 89.5% exact recovery with a budget of 32 real experiments, improving the strongest matched baseline by 10.0 percentage points while requiring fewer executed experiments and candidate fits. The learned revision-experiment pairing transfers across unseen mechanism combinations, held-out but expressible primitives, parameter extrapolation, and shifted experiment costs; when the true mechanism is outside the edit grammar, it detects library insufficiency in 88% of cases with a 5.5% false-support rate. Revision gains also transfer to ODEBench and ODEBase model-library tasks, as well as DiscoverPhysics worlds. These results support a view of scientific discovery in which deciding what mechanisms a theory should make expressible and where to collect evidence are treated as a single sequential decision problem.
• Abstract（参考訳）: 科学的な発見システムは通常、固定された仮説空間内の実験を最適化する。 モデルクラスが体系的に間違っている場合でも、候補の不一致が崩壊する可能性がある。 そこで我々は, 構造的編集と診断実験を共同で提案し, その編集が必要かどうかを検証する実験モデル・クラス・リビジョンを定式化する。 この手法はクラスレベルの識別可能性の目的を結合し、1つの共有パラメータ化は全ての選択された実験を説明する必要がある。 400の保持された制御された動的環境において、ジョイントポリシは、32の実際の実験で89.5%の正確なリカバリに達し、最強のマッチしたベースラインを10.0ポイント改善し、実行された実験と候補適合を少なくする。 学習されたリビジョンと実験のペアリングは、未確認のメカニズムの組み合わせ、保留だが表現可能なプリミティブ、パラメータの外挿、シフトした実験コストにまたがる。 Revision は ODEBench や ODEBase のモデルライブラリタスクや DiscoverPhysics の世界にも移行している。 これらの結果は、理論がどのメカニズムを表現可能とし、証拠の収集場所を単一のシーケンシャルな決定問題として扱うかを決定する科学的発見の視点を支持する。

関連論文リスト

• ALDER: Discovering the Laws of a World by Acting in It [37.58891752965242]
  本稿では,モデルのテストと修正のための新しい実験を積極的に提案するALDERを紹介する。 競合する有効な仮説を区別するために、コストと安全を意識したセレクタクエリの介入を行う。 結果として得られた反例は証拠台帳を更新し、次の構造修正を導く。
  論文  参考訳（メタデータ） (2026-09-27T16:30:08Z)
• MultiEcho: An Experimental Science of Learned Worlds [0.5831737970661138]
  MultiEchoは、物理法則とは独立かつ関係なく、学習世界の法則を研究するためのフレームワークである。 3参照推定器は完全な介入応答を予測し、介入パラメータを回復する。 実験は応答予測可能性、介入可読性、物理的精度を区別する。
  論文  参考訳（メタデータ） (2026-09-27T08:17:42Z)
• EvoSCM: Scientific Belief Revision Through Causal Model Evolution and Experimentation [68.80901568810616]
  EvoSCMは、新しい証拠が収集されるにつれて進化する明確な構造因果モデルを持つ科学エージェントを装備することを目的としている。 EvoSCM onPhysicsはエージェントが実験を通して非標準物理世界の隠れたダイナミクスを明らかにするのに必要なベンチマークである。
  論文  参考訳（メタデータ） (2026-09-01T16:55:56Z)
• TRACES: A Benchmark for Epistemic Reliability in Scientific Reasoning by LLMs [0.0]
  下流検証が存在しない領域では、科学的なエージェントとして大きな言語モデルが提案されている。 筆者らは,42枚の抽出,不正,疑似科学的論文からなるプローブコーパスを,各論文のフレーミングと単発モデルエンゲージメントを抽出・評価する手法と組み合わせて導入した。 プローブは、5つのクレームタイプ、製造された観測、擬似物理機構、魔法の前提、合法化橋、貨物カルト実験である。
  論文  参考訳（メタデータ） (2026-08-11T20:30:32Z)
• One Reflection Is Not Enough: Self-Correcting Autonomous Research via Multi-Hypothesis Failure Attribution [85.65263343588026]
  我々は,自己修正型,自律型,接地型実験機であるSAGEを提案する。 その中核的なメカニズムであるMHFA(Multi-Hypothesis Failure Attribution)は、回復を構造的因果診断として扱う。 12のトピック、5ドメインのベンチマークでは、SAGEは基準リフレクションでメトリクスを含むアウトプットを42%から92%に増やしている。
  論文  参考訳（メタデータ） (2026-06-30T10:54:16Z)
• MOOSE-Chem3: Toward Experiment-Guided Hypothesis Ranking via Simulated Experimental Feedback [136.27567671480156]
  先行テストからのフィードバックに基づいて仮説を優先順位付けする実験誘導ランキングを導入する。 我々は、シーケンシャルな意思決定問題として実験誘導型ランキングを定めている。 我々のアプローチは、実験前のベースラインと強い改善を著しく上回る。
  論文  参考訳（メタデータ） (2025-05-23T13:24:50Z)
• Prediction-Powered Causal Inferences [59.98498488132307]
  予測型因果推論(PPCI)に焦点をあてる まず, 条件付きキャリブレーションにより, 人口レベルでの有効なPPCIが保証されることを示す。 次に、実験間での十分な表現制約伝達の妥当性を導入する。
  論文  参考訳（メタデータ） (2025-02-10T10:52:17Z)
• Towards Understanding Extrapolation: a Causal Lens [53.15488984371969]
  我々は、外挿がいつ可能かを理論的に理解し、それを実現するための原則的な方法を提供する。 この定式化の下では、外挿問題を潜在変数識別問題にキャストする。 この理論は、基礎となる多様体の滑らかさとシフト特性の間の複雑な相互作用を明らかにする。
  論文  参考訳（メタデータ） (2025-01-15T21:29:29Z)
• Intervention Generalization: A View from Factor Graph Models [7.117681268784223]
  操作されたシステムの分布の因子化に関する最小限の仮定に基づいて、過去の実験から新しい条件への飛躍をいかに保証するかを詳しく検討する。 仮定された$textitinterventional Factor Model$ (IFM) は必ずしも情報であるとは限らないが、不測のコンバウンディングとフィードバックのメカニズムを明示的にモデル化する必要性を便利に抽象化する。
  論文  参考訳（メタデータ） (2023-06-06T21:44:23Z)

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。