Компьютерные науки > Вычисления и язык [представлен 16 октября 2026 года] Название: DiscoveryRSI: Повторное изучение ценных гипотезов Вид PDF HTML (экспериментальное) резюме. Мы внедряем оперативное определение ценных и поддающихся проверке гипотез исследований: основанные на доказательствах утверждения о неопределенности в сочетании с практическими расследованиями, четкими критериями принятия решений и альтернативными объяснениями. Наша система DiscoveryRSI разрабатывает гипотетические деревья с помощью многоагентного эволюционного поиска, компилирует отдельные исследования по выполняемым замкам и рекурсивно учится через три механизма: гипотезовая оптимизация кредитоспособности приписывает научные оценки документированному вкладу в исследование; использует повторное воспроизведение определяет производственные стратегии и повторяющиеся неудачи для совершенствования рабочих процессов исследований; а также вновь открывает новые возможности для усовершенствования новых расследований, создавая дополнительный опыт для последующего обучения. Мы также введем DFM-Bench, который обеспечивает всеобъемлющую оценку качества гипотезы и кумулятивный прогресс исследований на уровнях гипотез, изменений, путей развития и научных разработок. Автоматизированная оценка показывает, что в четырех областях науки о жизни качество гипотезы возрастает с 4,86 для базовой модели до 5.39 после двух раундов самосовершенствования, при этом значительный прирост фальсификационной способности и возможности…
DiscoveryRSI: Регулярное обучение распознавать ценные гипоты
arXiv: 261 020.23839v 1 Annuation Type: New Human Express: Science Instruction требует разработки полезных гипотез в практических исследованиях, однако изучение этого развивающегося исследовательского процесса по-прежнему сопряжено с трудностями. Мы внедряем оперативное определение ценных и поддающихся проверке гипотез исследований: основанные на доказательствах утверждения о неопределенности в сочетании с практическими расследованиями, четкими критериями принятия решений и альтернативными объяснениями. Наша система DiscoveryRSI разрабатывает гипотетические деревья с помощью многоагентного эволюционного поиска, компилирует отдельные исследования по выполняемым замкам и рекурсивно учится через три механизма: гипотезовая оптимизация кредитоспособности приписывает научные оценки документированному вкладу в исследование; использует повторное воспроизведение определяет производственные стратегии и повторяющиеся неудачи для совершенствования рабочих процессов исследований; а также вновь открывает новые возможности для усовершенствования новых расследований, создавая дополнительный опыт для последующего обучения. Мы также вступим