研究者提出了POPPER,一个结合统计原则与大型语言模型的自动化假设验证框架。该框架通过两个AI智能体进行实验设计与执行,确保假设有效性并控制错误率。在生物学等领域的测试中,POPPER显著提高了验证效率,减少了错误结论的可能性。
归纳逻辑编程(ILP)从数据中归纳逻辑程序,可缓解泛化差与可解释性不足。研究提出约束驱动、分治搜索、元级搜索及谓词发明等方法,改进Popper、Brute等系统,实现递归程序学习,在游戏与程序合成等实验中显著提升准确率并大幅缩短学习时间。
完成下面两步后,将自动完成登录并继续当前操作。