Статья рассматривает ограничение AutoDiscovery, использующего статическое «байесовское удивление», вводя доказательные убеждения LLM, где априорные вероятности обновляются на основе доказательств из предыдущих гипотез для вычисления нестационарного удивления. Авторы обнаруживают, что поиск с использованием эмбеддингов и генерации с дополнением (RAG) по предыдущим открытиям лучше всего предвосхищает конечные апостериорные вероятности, и идентифицируют 37,5% статических значений удивления как ложные.

  • Метод вводит фильтрацию обновления убеждений и максимизацию разнообразия для изменения процедуры поиска.
  • Он избегает ложных наград и приоритизирует гипотезы, которые остаются удивительными при нестационарных убеждениях.
  • В пяти областях открытия подход увеличивает накопленное нестационарное удивление в среднем на 30,62% по сравнению с исходным поиском.

Авторы приходят к выводу, что непрерывное научное открытие с LLM требует не только лучшего измерения убеждений, но и процедур поиска, которые избегают избыточности и поощряют разнообразие.