基于主动假设探索的智能视觉识别发现框架
计算机视觉与模式识别
2026-04-15 v1
摘要
我们提出了HypoExplore——一个以假设驱动的科学探究式框架，用于神经网络架构发现。给定人类指定的高层次研究方向，HypoExplore通过演化分支方式进行假设构思、实现、评估与改进。新假设由大型语言模型生成，需从已选定的父级假设基础上构建，采用兼顾利用已验证原理与解决不确定问题的双策略。该框架维护轨迹树（记录所有提议架构的谱系）及假设记忆库（通过实证 Evidence 动态跟踪置信度得分）。每次实验后，多个反馈智能体从不同视角分析结果，并整合为假设置信度更新。我们在CIFAR-10上测试了框架，最佳模型达94.11%准确率，源自初始基线为18.91%的根节点；同时模型在CIFAR-100与Tiny-ImageNet上具备良好泛化。进一步在MedMNIST上进行独立架构发现实验，实现了最新水平性能。结果表明，随着证据积累，假设置信度得分越来越具预测性，且所学原理可跨独立演化谱系迁移——这表明HypoExplore不仅能发现更强的架构，更能帮助构建对设计空间的真正性理解。
引用
@article{arxiv.2604.12999,
title = {Agentic Discovery with Active Hypothesis Exploration for Visual Recognition},
author = {Jaywon Koo and Jefferson Hernandez and Ruozhen He and Hanjie Chen and Chen Wei and Vicente Ordonez},
journal= {arXiv preprint arXiv:2604.12999},
year = {2026}
}