論文の概要: Minimum Description Length Unsupervisedly Separates Law-Grade from Statistical-Grade Knowledge in a Self-Improving Science Agent - and Reveals 86% of Its Own Discoveries Are Statistical

• arxiv url: http://arxiv.org/abs/2610.32245v1
• Date: Fri, 23 Oct 2026 06:53:10 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-27 01:38:06.414017
• Title: Minimum Description Length Unsupervisedly Separates Law-Grade from Statistical-Grade Knowledge in a Self-Improving Science Agent - and Reveals 86% of Its Own Discoveries Are Statistical
• Title（参考訳）: 自己改善型科学エージェントにおける統計的知識から法学を非教師的に分離する最小記述長 - そして、その発見の86%は統計的である
• Abstract要約: 自己改善型科学エージェントがこの疑問に答える量を計算することを示す。 エージェントの台帳の圧縮ランクのトップバンドは、正準法則を正確に回復する。 同じレンズを遡って見ると、台帳の86%が何も圧縮していないことが分かる。
• 参考スコア（独自算出の注目度）: 0.9167082845109437
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: AI systems that discover scientific relations now generate candidate "laws" at scale, but the bottleneck has shifted from generation to vetting: which candidates deserve belief? We show that a deployed self-improving science agent - one that has admitted 252 relations through held-out prediction courts - already computes the quantity that answers this question: the Minimum Description Length compression ratio used for model selection doubles, when read under discrete accounting, as an unsupervised epistemic grader. The compression-ranked top band of the agent's ledger recovers exactly the canonical laws among its discoveries (vis-viva across seven planets, Balmer/Rydberg) plus cross-measurement identities - enrichment $p=3.6\times10^{-12}$ under a hypergeometric test - with zero counterexamples and physically coherent band structure. The same lens retroactively reveals that 86% of the ledger compresses nothing ($\mathrm{cr}\approx 1$): the agent had been recording statistical regularities, including a learned predictor with held-out $R^2=0.541$ admitted through the prediction gate, under a narrative of compression as the unified value of knowledge - a narrative that was never true for them. We formalize the resulting dual-axis bookkeeping - prediction value ($R^2$) and compression value (cr) as nearly decoupled axes of knowledge - demonstrate its robustness to quantization, and register forward falsifiable predictions. The episode is, to our knowledge, the first measured instance of a discovery agent auditing its own knowledge ledger by an internal measure and finding itself over-claiming.
• Abstract（参考訳）: 科学関係を発見するAIシステムは、今や大規模に「法律」候補を生成するが、ボトルネックは世代から審査へと移行している。 自己改善型科学エージェント - 保留予測裁判所を通じて252の関係を認めている - が、この疑問に答える量、つまり、個別会計で読み取る際にモデル選択に使用される最小記述長圧縮比を、教師なしの疫学評価器として既に計算していることを示す。 エージェントの台帳の圧縮ランクのトップバンドは、発見中の標準法則(バルマー/ライドベルクの7つの惑星にまたがるビビザ)を正確に回復し、また超幾何的試験の下ではエンリッチメント$p=3.6\times10^{-12}$で、反例がゼロで、物理的に整合性のあるバンド構造を持つ。 同じレンズでは、台帳の86%が何も圧縮していない(「\mathrm{cr}\approx 1$」): エージェントは予測ゲートを通して学習した予測器(R^2=0.541$)を含む統計正則性を記録していた。 得られた2軸簿記 – 予測値 (R^2$) と圧縮値 (cr) をほぼ切り離された知識軸として形式化し, 量子化に対する堅牢性を実証し, 前向きな予測を登録する。 このエピソードは、我々の知る限り、発見エージェントが自身の知識台帳を内部の指標で監査し、誇張されていることを発見した最初の事例である。

関連論文リスト

• Pre-Registered Genesis Accounting for Recursive Self-Improvement: First Audited Operator-Genesis Events in a Physics-Discovery Runtime [0.9167082845109437]
  M1はデザイナが提供する語彙内で機械生成されたコンテンツインスタンスをカウントし、M2は機械公認のメカニズムタイプをカウントする。 初回検査を行ったM2遺伝子例を経験したので報告する。
  論文  参考訳（メタデータ） (2026-10-10T11:57:42Z)
• ULTRADISCOVERY: Abductive Exploration in an Interconnected, Epistemically Open Universe [65.09956527926603]
  本稿では,エージェントが最初に成功した理論を再検討し,目に見えないクロスドメイン介入の結果を予測する対話的世界を提案する。 2倍の2ドルの設計は、表現をオープンまたは開示し、証拠を分散または整列させ、潜伏するダイナミクスを固定したままにしておく。
  論文  参考訳（メタデータ） (2026-10-02T10:12:34Z)
• Agora: Git as Shared Memory for Collective AutoResearch [54.31992252587096]
  別々のセッションで作業する調査エージェントは、他の人が試したことと、構築可能な結果を知る必要がある。 各コミットは結果、洞察、仮説、検証、報告を記録し、それを以前の作業とリンクする。 約12日間に渡り,13人の言語モデル労働者がアゴラを重み移動問題の解決に利用したことを報告した。
  論文  参考訳（メタデータ） (2026-09-16T04:00:54Z)
• Position: Correct Answer, Wrong Mechanism -- When AI Scientists Defend General Claims Their Own Data Contradicts [0.0]
  コーディングエージェントは信頼できるツールを証明しているが、オープンエンドのクレーム作成のための信頼性の低い科学的共著者である。 一段階の体制シフトチェックは、エージェントのクレームのみを必要とし、過度に一般化されたケースにフラグを付ける。 コンパニオン再計算は、正しいオブザーバブルがわかっている場合の残りのケースをフラグする。
  論文  参考訳（メタデータ） (2026-06-22T11:14:07Z)
• Stochastic Estimation of the Layer-wise Hessian Trace for Monitoring Neural-network Training [45.88028371034407]
  本稿では,ニューラルネットワークの経験的リスクであるヘッセン行列の対角ブロックの軌跡のパラメータ推定器を提案する。 この手順はハッチンソントレース推定器とパラメータベクトル全体の上の1つのヘッセンベクトル積を組み合わせたものである。 重み分担の下での正しさは,第2次微分の前に階層的にヘッセンを組み立てる必要があることを示す。
  論文  参考訳（メタデータ） (2026-05-25T10:24:32Z)
• NOVA: Fundamental Limits of Knowledge Discovery Through AI [28.64853265018765]
  本研究では,共通生成,検証,蓄積,再学習のループを知識空間上の適応的サンプリングプロセスとしてモデル化するNOVAフレームワークを提案する。 蓄積された真の知識が最終的に有限領域をカバーする十分な条件を特定し、それらの違反がどのように異なる障害モードを生成するかを示す。 我々は、ガイダンス、生成、検証、検証を通じて人間の増幅を形式化し、専門家の入力が自律的な探査障壁の近くで最も価値がある理由を説明する。
  論文  参考訳（メタデータ） (2026-05-12T21:37:09Z)
• AEGIS: From Clues to Verdicts -- Graph-Guided Deep Vulnerability Reasoning via Dialectics and Meta-Auditing [9.271196825503417]
  大きな言語モデル(LLM)は、脆弱性検出にますます採用されているが、その推論は基本的には正しくない。 AEGISは、未解決の投機から、クローズドな事実ベース上の法医学的検証へ、検出をシフトする新しいマルチエージェントフレームワークである。 これは、主要なベースラインと比較して偽陽性率を最大54.40%削減し、1サンプルあたりの平均コストはタスク固有のトレーニングなしで0.09ドルである。
  論文  参考訳（メタデータ） (2026-03-21T04:12:04Z)
• Neuro-Symbolic Financial Reasoning via Deterministic Fact Ledgers and Adversarial Low-Latency Hallucination Detector [2.950245545999729]
  検証可能な数値推論エージェント(VeNRA)について紹介する。 VeNRAは、RAGパラダイムを確率的テキストの検索から厳密な型付きUniversal Fact Ledger (UFL)による決定論的変数の検索へとシフトさせる 著者らは3ビリオンのSLMを訓練し、単一の推論予算を用いて予測候補を法医学的に監査する。
  論文  参考訳（メタデータ） (2026-03-04T22:55:16Z)
• A Probabilistic Inference Scaling Theory for LLM Self-Correction [49.42817548142699]
  大規模言語モデル(LLM)は、自己補正によって生成された回答を洗練する能力を示した。 本稿では,精度変化のダイナミクスをモデル化する確率論的理論を提案し,マルチラウンド自己補正で観測された性能改善について説明する。
  論文  参考訳（メタデータ） (2025-08-22T15:15:38Z)
• Neuro-Symbolic Entropy Regularization [78.16196949641079]
  構造化予測では、目的は構造化されたオブジェクトをエンコードする多くの出力変数を共同で予測することである。 エントロピー正則化(Entropy regularization)という1つのアプローチは、決定境界が低確率領域にあるべきであることを示唆している。 我々は、モデルが有効対象を確実に予測することを奨励する損失、ニューロシンボリックエントロピー正規化を提案する。
  論文  参考訳（メタデータ） (2022-01-25T06:23:10Z)
• Understanding the Under-Coverage Bias in Uncertainty Estimation [58.03725169462616]
  量子レグレッションは、現実の望ましいカバレッジレベルよりもアンファンダーカバー(enmphunder-cover)する傾向がある。 我々は、量子レグレッションが固有のアンダーカバーバイアスに悩まされていることを証明している。 我々の理論は、この過大被覆バイアスが特定の高次元パラメータ推定誤差に起因することを明らかにしている。
  論文  参考訳（メタデータ） (2021-06-10T06:11:55Z)

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。