Краткое содержание

arXiv:2512.17145v1 Тип объявления: новое Аннотация: Рассуждение в условиях неопределённости является ключевым вызовом для ИИ, особенно для реальных задач, где проблемы с разрозненными данными требуют систематического обобщения. Существующие подходы испытывают трудности в балансировке между точностью и простотой при оценке множества альтернативных гипотез. Мы предлагаем метод, вдохновлённый Соломонофом, который взвешивает гипотезы, сгенерированные LLM, по простоте и адекватности предсказаний. Применённый к задачам бенчмарка (Mini-ARC), наш метод формирует смеси, взвешенные по Соломонофу, для предсказаний по каждой ячейке, что приводит к консервативным, учитывающим неопределённость результатам даже в случаях, когда гипотезы зашумлены или частично неверны. По сравнению с байесовским усреднением моделей (BMA), скоринг по Соломонофу распределяет вероятность более равномерно по конкурирующим гипотезам, в то время как BMA концентрирует веса на наиболее вероятных, но потенциально ошибочных кандидатах. На наборе задач это подчёркивает ценность алгоритмических информационно-теоретических априорных распределений для интерпретируемых и надёжных рассуждений с множеством гипотез в условиях неопределённости.