ジアン・リウ (Ziang Liu)、ジェームス・J・キム (James J. Kim)、イージア・ダイ (Yijia Dai)、ジェニファー・J・サン (Jennifer J. Sun) の研究チームは2026年11月10日(現地時間)、競合する説明を用いたオープンエンドな科学的発見のための新たな手法「Contrastive Discovery」を発表しました。この手法は、従来のLLMエージェントが仮説を一点で評価し、反証された際に代替案を特定できないという課題に対応します。複数の相互排他的かつ網羅的な競合仮説を含む「コントラストセット」を導入することで、収集された証拠に基づき信念の再分配を評価し、科学的疑問の解決を促進します。
Contrastive Discoveryの仕組みでは、単一の仮説の代わりに、科学的疑問と相互排他的かつ網羅的な競合説明を組み合わせた「コントラストセット」を導入します。各実験は、その証拠がコントラストセット全体にわたる信念をどのように再分配するかによって評価されます。信念が特定の単一の説明に集中した時点で、その疑問は解決されたと見なされます。
既存のLLMエージェントは、Contrastive Discoveryのコントラストセットを二つの主要な目的で利用できます。一つは既に収集された証拠を再評価するため、もう一つは探索プロセスそのものを導くためです。研究チームが行った6つの異なるドメインにわたる実験では、単一の仮説を評価する従来の手法において、最大の信念シフトを伴う一点評価候補の89%が棄却されました。しかし、同じ証拠を用いてContrastive Discoveryのコントラストセットを適用した場合、これらの棄却された候補の73%が特定の代替案へと解決されました。さらに、コントラストセットが探索を導くシナリオでは、同等の実験予算で、一点評価手法によるサプライザルと比較して67%多くの疑問が解決されることが示されました。
これらの結果を検証するため、ブラインド研究が実施されました。38人の人間専門家が参加し、解決された疑問の78%で、Contrastive Discoveryが導き出した説明と一致する選択を行いました。また、一点評価エージェントが仮説を棄却して停止した疑問の82%においても、人間専門家はContrastive Discoveryが提示したのと同じ説明を選択しました。本研究は、NeurIPS 2026で受理されています。
参考: arXiv cs.AI — 2026年11月11日 03:58 (JST)
原文ハイライト"Contrastive Discovery: Open-Ended Scientific Discovery over Competing Explanations"