McMining: Automated Discovery of Misconceptions in Student Code
University of North Carolina at Charlotte（北卡罗来纳大学夏洛特分校）
本文提出McMining任务，即从学生代码中自动挖掘编程错误概念，并构建了基准数据集及两种基于LLM的挖掘方法，实验证明Gemini、Claude和GPT系列模型能有效发现错误概念。
2025-10-09 cs.AI cs.CL cs.CY
Towards Automated Error Discovery: A Study in Conversational AI
Ubiquitous Knowledge Processing Lab (UKP Lab), Department of Computer Science and Hessian Center for AI (hessian.AI), Technical University of Darmstadt（德累斯顿技术大学）
针对 LLM 难以发现未明确指定错误的问题，提出自动化错误发现框架及基于编码器的 SEEED 方法，通过增强损失函数与样本排序提升表示学习，在多数据集上超越 GPT-4o 等基线，将未知错误检测准确率提升达 8 个百分点。
2025-09-13 cs.AI cs.CL cs.HC
CAMO: An Agentic Framework for Automated Causal Discovery from Micro Behaviors to Macro Emergence in LLM Agent Simulations
College of Intelligence and Computing, Tianjin University（天津大学智能计算学院）；Tianjin Key Laboratory of Healthy Habitat and Smart Technology（天津健康人居环境与智能技术重点实验室）；Laboratory of Computation and Analytics of Complex Management Systems, Tianjin University（复杂管理系统计算与分析实验室）
CAMO通过分析LLM代理模拟中的微观行为，自动发现导致宏观结果的因果机制，提供可解释的因果链和干预手段，提升对社会涌现的理解。
2026-04-18 cs.AI cs.CL cs.CY
Towards Fully-Automated Materials Discovery via Large-Scale Synthesis Dataset and Expert-Level LLM-as-a-Judge
Ajou University（明知大学）；Hanyang University（汉阳大学）
本研究构建了含1.7万条专家验证合成配方的AlchemyBench基准，提出LLM-as-a-Judge评估框架，为大语言模型在材料合成预测中的应用提供支撑，助力高效实验设计与材料创新加速。
2025-03-19 cs.CL
Automated Discovery Has No Universally Superior Harness
研究自主发现系统框架，通过系统分解和评估发现其存在泛化问题，无固定框架普遍优越，OpenEvolve变体表现不佳。利用早期发现进展预测性能，提出自适应分配实验，优于固定和非自适应选择，推动从固定框架选择转向在线适应。
2026-07-21 cs.AI cs.CL
Automated Concept Discovery for LLM-as-a-Judge Preference Analysis
Department of Computer Science（计算机科学系）；Carnegie-Mellon University（卡内基梅隆大学）
本文提出了一种自动化方法，用于发现LLM判断偏好的驱动因素，通过比较不同概念提取方法，验证了LLM在敏感请求上的偏好，并揭示了新的趋势。
2026-02-09 cs.AI cs.CL
Beyond Static Rules: Automated Discovery of Latent Vulnerabilities in Text-to-SQL
Shanghai University of Finance and Economics（上海财经大学）；Beihang University（北京航空航天大学）；Deepexi Technology Co. Ltd.（深圳市智元机器有限公司）；Southern University of Science and Technology（南方科技大学）
研究LLMs在文本到SQL任务中潜在可靠性问题，提出SAGE框架，通过生成漏洞假设、参考漏洞法典设计扰动来发现潜在故障模式，实验证明其能发现大量故障案例及法典的跨模型转移性。
2026-07-07 cs.AI cs.CL
MLEvolve: A Self-Evolving Framework for Automated Machine Learning Algorithm Discovery
Shanghai Artificial Intelligence Laboratory（上海人工智能实验室）；East China Normal University（东华大学）
提出MLEvolve框架，通过渐进式MCGS、回溯记忆和分层控制解决LLM智能体在长期任务中的信息隔离、无记忆搜索和缺乏分层控制问题，在MLE-Bench和数学算法优化任务上取得最先进性能。
2026-10-23 cs.AI cs.CL
AutoQual: An LLM Agent for Automated Discovery of Interpretable Features for Review Quality Assessment
Department of Electronic Engineering, BNRist, Tsinghua University（电子工程系、百度研究院、清华大学）
AutoQual是一个基于LLM的智能体框架，通过模拟人类研究过程自动发现可解释特征，用于在线评论质量评估，并在十亿级用户平台上经A/B测试验证，使平均评论浏览数增加0.79%、读者转化率提高0.27%。
2025-10-09 cs.AI cs.CL
Attribution Patching Outperforms Automated Circuit Discovery
University of Maryland, College Park（马里兰大学帕克分校）
针对神经网络自动可解释性中的电路发现问题，提出基于归因修补的简单方法，仅需两次前向和一次反向传播，通过线性近似估计边重要性并修剪不重要的边，在电路恢复的AUC上优于现有方法。
2023-11-20 cs.AI cs.CL cs.LG
A statistical model for word discovery in child directed speech
提出了一种用于儿童引导语音中的分词和词发现的统计模型。一个增量的无监督学习算法来推断词边界的基础上，这个模型和实证测试的结果表明，该算法是有竞争力的其他模型已被用于类似的任务也被提出。
1999-10-13 cs.CL cs.LG
Towards Automated Causal Discovery: a case study on 5G telecommunication data
University of Crete（克里特大学）；FORTH（希腊研究与技术基金会研究与技术基金会（FORTH））
本文提出自动化因果发现（AutoCD）概念及平台架构，旨在全自动执行因果发现与推理并回答用户查询，通过在合成数据和5G电信时序数据上的应用验证其性能与通用性。
2024-02-22 cs.LG stat.ME
Automated Scientific Discovery: From Equation Discovery to Autonomous Discovery Systems
本文综述了自动化科学发现，涵盖方程发现、符号回归到自主发现系统与代理。讨论了各种方法，分析了深度神经网络在该领域的作用，并介绍了闭环科学发现系统及自主性概念，旨在推动AI科学家的发展。
2025-05-26 cs.AI cs.LG
Formal Mechanistic Interpretability: Automated Circuit Discovery with Provable Guarantees
School of Computer Science and Engineering, The Hebrew University of Jerusalem（计算机科学与工程系，耶路撒冷希伯来大学）
本文提出具有可证明保证的自动电路发现算法，通过三种保证类型提升电路的鲁棒性和最小性，为机制可解释性提供理论基础。
2026-02-18 cs.LG cs.LO
PAHQ: Accelerating Automated Circuit Discovery through Mixed-Precision Inference Optimization
King Abdullah University of Science and Technology（卡布斯大学）；Harbin Institute of Technology（哈尔滨工业大学）
本文提出PAHQ方法，通过混合精度量化优化激活修补操作，加速自动电路发现，减少高达80%运行时间和30%内存，同时保持分析忠实性，并可与现有技术集成。
2025-10-27 cs.AI cs.LG
Evaluating Brain-Inspired Modular Training in Automated Circuit Discovery for Mechanistic Interpretability
University of Massachusetts Amherst（马萨诸塞大学阿默斯特分校）
本文评估了脑启发模块化训练（BIMT）方法在自动电路发现中的应用，发现其能显著提升电路发现的效率、质量、稀疏性并克服人工局限，推动透明可信AI系统的发展。
2024-01-08 cs.LG cs.NE
Automated Discovery of Operable Dynamics from Videos
Columbia University（哥伦比亚大学）；Duke University（杜克大学）
提出一种无需先验领域知识、直接从视频自动发现低维可操作动力学表示（包括紧凑状态变量和可微向量场）的框架，通过定量和定性分析验证其在识别稳定平衡、预测固有频率及检测混沌和极限环行为方面的有效性。
2026-07-01 cs.LG cs.SY eess.IV
Automated Constitutive Model Discovery by Pairing Sparse Regression Algorithms with Model Selection Criteria
Institute of Applied Mechanics, Division Data-Driven Modeling of Mechanical Systems, Technische Universität Braunschweig（应用力学研究所，数据驱动机械系统建模 division，勃兰登堡工业大学）；Computational Mechanics Group, Eidgenössische Technische Hochschule Zürich（计算力学组，瑞士苏黎世联邦理工学院）
本文提出了一种自动化框架，通过结合稀疏回归算法与模型选择标准，实现对各向同性和各向异性材料构成模型的高效发现。
2025-11-27 cond-mat.mtrl-sci cs.CE cs.LG
Automated Discovery of Conservation Laws via Hybrid Neural ODE-Transformers
Independent Researcher（独立研究者）
提出一种混合Neural ODE-Transformer框架，通过学习系统动力学、生成符号候选不变量并进行符号-数值验证，从噪声轨迹数据中自动发现守恒量，显著优于基线方法。
2025-10-30 cs.AI cs.LG
Benchmarking the Discovery Engine
Leap Laboratories（Leap实验室）
本文对发现引擎进行基准评测，在医学、材料科学、社会科学和环境科学五个任务中达到或超过已有机器学习方法，并借助可解释性产物提供更深入且可操作的洞察，展示了其作为自动化可解释科学建模新标准的潜力。
2025-07-01 cs.LG
Measurements with Noise: Bayesian Optimization for Co-optimizing Noise and Property Discovery in Automated Experiments
University of Duisburg-Essen（杜伊斯堡-埃森大学）；University of Tennessee（田纳西大学）；University of Silesia（西里西亚大学）；Pacific Northwest National Laboratory（太平洋西北国家实验室）
本文提出一种将时间作为额外输入参数的贝叶斯优化框架，在自动实验中同时优化目标性质与测量噪声，并通过模拟和PFM实验验证其能提升数据质量、降低资源消耗。
2024-10-03 cond-mat.mtrl-sci cs.AI cs.LG
On sparse regression, Lp-regularization, and automated model discovery
Stanford University（斯坦福大学）；Hamburg University of Technology（汉堡工业大学）
本文研究如何利用结合Lp正则化与物理约束的本构神经网络实现自动模型发现，通过大量实验表明L0正则化能最佳平衡可解释性与预测性，从而同时发现可解释模型和具有物理意义的参数。
2024-01-16 cs.LG
Improving Company Valuations with Automated Knowledge Discovery, Extraction and Fusion
Swiss Institute for Information Science（瑞士信息科学研究所）；University of Applied Sciences of the Grisons（格劳宾登应用科学大学）
在生物技术、制药和医疗技术领域进行公司估值是一项具有挑战性的任务，特别是考虑到生物技术初创企业在进入新市场时面临的独特风险。因此，专门从事全球估值服务的公司将估值模型和过去的经验与异构指标和指标相结合，以提供对公司业绩的洞察。本文阐述了如何自动化的知识发现，提取和数据融合可以用来（i）获得额外的指标，提供洞察公司的产品开发工作的成功，（ii）支持劳动密集型的数据整理过程。我们应用深网知识获取方法来识别和收集隐藏在专有搜索界面后面的临床试验数据，并将提取的数据集成到行业合作伙伴的公司估值本体中。此外，有针对性的Web抓取和浅层语义解析产生关于公司关键人员和各自联系人数据的信息，通知领域专家相关的更改，然后将其合并到行业合作伙伴的公司数据中。
2020-10-19 cs.IR cs.LG
Towards Automated Neural Interaction Discovery for Click-Through Rate Prediction
Texas A&M University（德州农工大学）；Facebook Inc.（Facebook公司）
点击率（CTR）预测是推荐系统中最重要的机器学习任务之一，为数十亿消费者提供个性化体验。神经网络结构搜索（NAS）作为一个新兴的领域，在发现功能强大的神经网络结构方面表现出了强大的能力，这促使我们探索其在CTR预测方面的潜力。由于1）多样的非结构化特征交互，2）异构的特征空间，以及3）高数据量和固有的数据随机性，有效地构造、搜索和比较推荐模型的不同架构是具有挑战性的。为了解决这些挑战，我们提出了一个自动交互架构发现框架的CTR预测命名AutoCTR。通过将简单但有代表性的交互模块化为虚拟构建块并将其连接到直接非循环图空间中，AutoCTR在架构级别进行进化架构探索，并使用低保真度模型实现加速。实证分析证明了AutoCTR在不同数据集上的有效性，与人工构建的架构相比。所发现的体系结构也享有不同的数据集之间的通用性和可移植性。
2020-06-29 cs.IR cs.LG
onepot CORE -- an enumerated chemical space to streamline drug discovery, enabled by automated small molecule synthesis and AI
Onepot AI, Inc.（Onepot AI公司）
onepot CORE通过自动化合成和AI设计，构建了一个包含34亿分子的枚举化学空间，加速药物发现过程。
2026-01-18 cs.LG physics.chem-ph
Bayesian symbolic regression: Automated equation discovery from a physicists' perspective
Department of Chemical Engineering, Universitat Rovira i Virgili（罗维拉-维格利大学化学工程系）；ICREA
本文从物理学视角阐述贝叶斯符号回归的概率框架，说明其如何基于信息论与统计物理原则评估模型、提供性能保证并支持模型集成。
2025-07-22 cond-mat.stat-mech cs.LG physics.data-an
Statistical Learning in Automated Troubleshooting: Application to LTE Interference Mitigation
Orange Labs（Orange实验室）
本文提出了一种方法，自动愈合的一部分，离线自动故障排除。该方法结合了统计学习和约束优化。自动修复旨在以迭代的方式局部优化具有较差性能的小区的无线电资源管理（RRM）或系统参数。统计学习使用逻辑回归（LR）处理数据以提取关键性能指标（KPI）和无线电资源管理（RRM）参数之间的封闭形式（函数）关系。这些函数关系然后由优化引擎处理，该优化引擎提出新的参数值。所提出的配方的优点是由自动愈合方法收敛所需的迭代次数少，使其适合离线实施。该方法被应用到愈合的小区间干扰协调（ICIC）过程中的3G长期演进（LTE）网络，这是基于软频率复用方案。数值模拟说明了所提出的方法的好处。
2010-05-03 cs.LG
Automated Discovery of Adaptive Attacks on Adversarial Defenses
ETH Zürich（苏黎世联邦理工学院）；LatticeFlow（LatticeFlow公司）
对抗性防御的可靠评估是一项具有挑战性的任务，目前仅限于手动制造攻击的专家，这些攻击利用防御的内部工作原理或基于固定攻击集合的方法，其中没有一个可能对手头的特定防御有效。我们的关键观察是，自适应攻击是由可重用的构建块，可以在搜索空间中形式化，并用于自动发现未知防御的攻击。我们在24种对抗性防御上评估了我们的方法，并表明它优于AutoAttack，AutoAttack是目前最先进的对抗性防御可靠评估工具：我们的工具通过为10个模型生成3.0 - 50.8%的额外对抗性示例发现了更强的攻击，同时为其余模型获得了强度略强或相似的攻击。
2021-10-27 cs.CV cs.LG stat.ML
Towards Automated Circuit Discovery for Mechanistic Interpretability
UCL（伦敦大学学院）；University of Cambridge（剑桥大学）；FAR AI
本文系统化机制可解释性流程，并提出ACDC等算法自动发现Transformer计算图中实现指定行为的电路，在GPT-2 Small的Greater-Than电路上成功复现人工发现结果。
2023-10-28 cs.LG
Deep Surrogate Docking: Accelerating Automated Drug Discovery with Graph Neural Networks
University of Michigan（密歇根大学）；Argonne National Laboratory（阿贡国家实验室）；University of Chicago（芝加哥大学）
筛选具有所需性质的分子的过程是从药物发现到材料设计等多种应用中的关键步骤。在药物发现过程中，蛋白质-配体对接或化学对接是一种标准的计算机模拟评分技术，用于评估分子与特定蛋白质靶标的结合亲和力。然而，最近，随着可用于测试的虚拟分子的数量迅速增长，这些经典的对接算法已经产生了显着的计算瓶颈。我们通过引入深度代理对接（DSD）来解决这个问题，DSD是一个应用基于深度学习的代理建模来大幅加速对接过程的框架。DSD可以被解释为几个早期的代理预过滤技术的形式主义，增加了新的指标和实际的培训实践。具体来说，我们表明，图神经网络（GNNs）可以作为快速和准确的估计经典的对接算法。此外，我们还介绍了FiLMv 2，这是一种新型的GNN架构，我们证明它优于现有的最先进的GNN架构，通过允许模型更有效地从数据中过滤掉不相关的信息，从而获得更准确和稳定的性能。通过大量的实验和分析，我们表明，DSD工作流结合FiLMv 2架构提供了一个9.496倍的加速在分子筛选与<3%的召回出错率的一个例子对接任务。我们的开源代码可以在https://github.com/ryienh/graph-dock上找到。
2022-11-04 cs.LG
Automated Mathematical Equation Structure Discovery for Visual Analysis
ActiveEon；University of Beira Interior（贝拉英特拉大学）；Université Clermont Auvergne（克莱蒙奥弗涅大学）；Université de La Rochelle（拉罗谢尔大学）
要找到最佳数学方程来应对复杂情景中的不同挑战，需要对情景有透彻的理解，并由专家进行试错。近年来，大多数最先进的方程发现方法已被广泛应用于建模和辨识系统。然而，方程发现方法在计算机视觉中非常有用，特别是在特征提取领域。在本文中，我们专注于最近的人工智能进展，提出了一种新的框架，用于从头开始自动发现方程，几乎没有人为干预，以应对现实世界中遇到的不同挑战。此外，我们的建议可以减少人为偏见，提出了一个搜索空间设计，通过生成网络，而不是手工设计。作为概念证明，我们的框架发现的方程用于区分视频序列中的运动对象和背景。实验结果表明，该方法的潜力和发现视频序列中的最佳方程的有效性。代码和数据可在https://github.com/carolinepacheco/equation-discovery-scene-analysis上获得
2021-04-17 cs.AI cs.CV cs.LG
Toward Automated Discovery of Artistic Influence
Rutgers, The State University of New Jersey（罗格斯，新泽西州立大学）
考虑到存在的大量艺术作品，有价值的信息有待发现。通过检查一幅画，专家可以确定其风格，流派和绘画所属的时期。艺术史学家的一项重要任务是发现艺术家之间的影响和联系。影响力是一项计算机可以测量的任务吗？本文的贡献是在探索问题的计算机自动化建议的艺术家之间的影响，一个问题，没有解决之前在一般设置。我们首先提出了一个比较研究不同的分类方法的任务美术风格分类。两个层次的比较研究进行了这个分类问题。第一个层次回顾了判别模型与生成模型的性能，而第二个层次涉及绘画的特征方面，并比较了绘画中存在的语义级特征与低级和中级特征。然后，我们探讨这个问题：“谁影响了这位艺术家？“通过观察他的杰作并将其与其他作品进行比较。我们把这个有趣的问题作为一个知识发现问题。为此，我们研究了几个绘画相似性和艺术家相似性的措施。因此，我们根据艺术家作品之间的相似性提供艺术家的可视化（艺术家地图
2014-08-14 cs.CV cs.LG
PriM: Principle-Inspired Material Discovery through Multi-Agent Collaboration
National University of Singapore（新加坡国立大学）；Westlake University（西湖大学）；Zhejiang University（浙江大学）
针对材料发现中化学空间复杂、现有方法效率低且结果难解释的问题，提出原理引导的多智能体协作系统PriM，通过假设生成与实验验证的圆桌协作，提升探索效率并提供透明推理，纳米螺旋案例验证了其有效性。
2025-04-09 cond-mat.mtrl-sci cs.AI cs.LG
Novelty-Driven Target-Space Discovery in Automated Electron and Scanning Probe Microscopy
Department of Materials Science and Engineering, University of Tennessee, Knoxville（田纳西大学材料科学与工程系）；Department of Chemistry, University of Washington, Seattle（华盛顿大学化学系）；Pacific Northwest National Laboratory, Richland（太平洋西北国家实验室）
本文提出了一种基于新颖性的深度核学习框架，用于在自动化电子显微镜和扫描探针显微镜中主动探索目标空间，通过学习结构-性质关系来发现新的响应区域。
2026-03-17 cond-mat.mtrl-sci cs.LG
Automated Modeling Method for Pathloss Model Discovery
Jožef Stefan Institute（乔泽夫·斯蒂凡研究所）；Department of Computer Science, Faculty of Information Technology, Applied Science Private University（信息科技学院计算机科学系，应用科学私立大学）；Department of Informatics, Democritus University of Thrace（德米特里乌斯·特拉尔基斯大学信息学院）
本文提出了一种自动化方法，结合深度符号回归和柯莫戈洛夫-阿诺德网络，提高路径损耗模型的准确性和可解释性，实验证明其在预测误差上比传统方法减少75%。
2026-03-13 cs.LG
Automated Discovery of Laser Dicing Processes with Bayesian Optimization for Semiconductor Manufacturing
Department of Machine Learning and Neural Computing, Donders Institute for Brain, Cognition and Behaviour, Radboud University（机器学习与神经计算系，大脑、认知与行为研究所，拉德堡德大学）；ASMPT Center of Competency（ASMPT能力中心）
本研究提出了一种基于贝叶斯优化的自动化方法，用于发现半导体制造中生产级的激光切割过程，通过多目标优化和两级保真度策略提升工艺效率和产品质量。
2025-11-28 cs.LG cs.SY eess.SY
Incorporating network based protein complex discovery into automated model construction
University of Cambridge（剑桥大学）
我们提出了一种基于基因表达的癌症表型分析方法，通过无监督的计算图构建，结合网络生物学知识。计算图的结构构建是由蛋白质-蛋白质网络上的拓扑聚类算法驱动的，该算法将源自网络生物学研究的诱导偏差纳入蛋白质复合物发现中。这在结构上限制了假设空间在可能的计算图因子分解，其参数然后可以通过监督或无监督任务设置来学习。计算图的稀疏构造使得能够进行差异蛋白质复合物活性分析，同时还解释了每个个体蛋白质复合物中涉及的基因/蛋白质的个体贡献。在我们分析各种癌症表型的实验中，我们表明所提出的方法在所有任务中都优于SVM，全连接MLP和随机连接MLP。我们的工作引入了一种可扩展的方法，用于将大型交互网络作为先验知识纳入，以推动构建适合内省研究的强大计算模型。
2020-09-29 cs.LG cs.SI q-bio.MN
LLM-based Agents for Automated Confounder Discovery and Subgroup Analysis in Causal Inference
National Sun Yat-Sen University（中山大学）
提出基于LLM的智能体框架，将其集成至因果机器学习流程中，通过模拟领域专家知识实现自动混杂因素发现与亚组分析，在减少人工依赖的同时提升了处理效应估计的稳健性与可解释性。
2025-08-10 cs.AI cs.LG cs.MA
Automated Discovery of Business Process Simulation Models from Event Logs
University of Tartu（塔尔图大学）；Universidad de los Andes（安第斯大学）
业务流程模拟是一种多用途的技术，用于评估流程在多种场景下的性能。这反过来又使分析师能够比较替代选项以改进业务流程。业务流程仿真的一个常见障碍是构建精确的仿真模型既繁琐又容易出错。现代信息系统存储它们所支持的业务流程的详细执行日志。以前的工作表明，这些日志可以用来发现仿真模型。然而，现有的基于日志的发现仿真模型的方法并不寻求优化所得到的模型的准确性。相反，他们让用户手动调整仿真模型，以达到所需的精度水平。本文提出了一种从执行日志中发现业务流程仿真模型的精确优化方法。该方法将问题分解为一系列具有相关配置参数的步骤。超参数优化方法用于搜索可能的配置空间，以便最大化仿真模型的行为与日志中观察到的行为之间的相似性。该方法已被实现为一个工具，并使用来自不同领域的日志进行评估。
2020-02-27 cs.LG cs.SE
Automated Discovery and Classification of Training Videos for Career Progression
CareerBuilder LLC（CareerBuilder有限责任公司）
工作转换和提升技能是许多行业工作专业人士在其职业生涯中采取的共同行动。在当前快速变化的工作环境中，要求不断变化，行业不断涌现，规划和导航预先确定的职业道路尤其困难。在这项工作中，我们实施了一个自动收集和分类培训视频的系统，以帮助求职者识别和获得过渡到职业生涯下一步所需的技能。我们提取了教育视频，并构建了一个机器学习分类器来预测视频相关性。该系统允许我们大规模地发现职位-技能对的相关视频。我们的实验表明，通过将嵌入向量与视频属性相关联的模型性能显着改善。此外，我们评估了最佳概率阈值，以提取尽可能多的视频，同时具有最小的误报率。
2019-07-23 cs.IR cs.LG stat.ML
Automated discovery of interpretable gravitational-wave population models
Flatiron Institute（熨斗研究所）；Princeton University（普林斯顿大学）
我们提出了一个自动的方法来发现分析人口模型的引力波（GW）事件的数据。随着更多的引力波（GW）事件被检测到，灵活的模型，如高斯混合模型已变得更加重要，在拟合GW属性的分布，由于他们的表达。然而，灵活的模型带有许多缺乏物理动机的参数，使得解释这些模型的含义具有挑战性。在这项工作中，我们证明了符号回归可以补充灵活的模型，通过蒸馏的后验预测分布，这种灵活的模型到可解释的分析表达式。我们恢复常见的GW人口模型，如幂律加高斯，并找到一个新的经验人口模型相结合的准确性和简单性。这展示了一种在不断增长的GW目录中自动发现可解释的人口模型的策略，该策略可以应用于其他天体物理现象。
2022-07-25 astro-ph.HE astro-ph.IM cs.LG
ASTRA: An Automated Framework for Strategy Discovery, Retrieval, and Evolution for Jailbreaking LLMs
School of Information Science and Engineering, East China University of Science and Technology, Shanghai, China（东华大学信息科学与工程学院，上海，中国）
ASTRA 提出了一种自动化框架，通过闭环机制自动发现、检索和演化攻击策略，提升攻击策略的多样性和适应性。
2026-04-20 cs.CR cs.LG
Automated discovery of trade-off between utility, privacy and fairness in machine learning models
Google（谷歌）；University of Cambridge（剑桥大学）
本研究将机器学习模型中公平性、隐私与效用之间的权衡视为多目标优化问题，提出基于贝叶斯优化的PFairDP流水线自动发现帕累托最优点，并在多模型与数据集上验证了其有效性。
2023-11-27 cs.CR cs.CY cs.LG
Automated Gadget Discovery in Science
University of Innsbruck（因斯布鲁克大学）；University of Konstanz（康斯坦茨大学）
近年来，强化学习（RL）在科学和科学发现过程中的应用越来越成功。然而，尽管RL算法学习解决越来越复杂的问题，但解释它们提供的解决方案变得越来越具有挑战性。在这项工作中，我们通过基于序列挖掘和聚类的事后分析深入了解RL代理的学习行为。具体来说，频繁和紧凑的子例程，用于解决一个给定的任务的代理，被提炼为小工具，然后分组的各种指标。小工具发现的过程分为三个阶段：首先，我们使用RL代理生成数据，然后，我们采用挖掘算法提取小工具，最后，获得的小工具进行分组的密度为基础的聚类算法。我们通过将其应用于两个量子启发的RL环境来演示我们的方法。首先，我们考虑模拟量子光学实验的高维多体纠缠态的设计，该算法发现对应于现代干涉仪设置的小工具。其次，我们考虑了一个基于电路的量子计算环境，其中算法发现了各种用于量子信息处理的小工具，例如量子隐形传态。这种用于分析学习代理的策略的方法是代理和环境不可知的，并且可以对任何代理的策略产生有趣的见解。
2022-12-24 cs.AI cs.LG quant-ph
Hierarchical Meta-Reinforcement Learning via Automated Macro-Action Discovery
University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）；Mississippi State University（密西西比州立大学）
针对元强化学习在复杂高维任务上的挑战，提出三层架构自动发现任务无关宏动作以引导原始策略学习，提升样本效率与成功率。
2024-12-16 cs.AI cs.LG
Automated Kernel Discovery Towards Understanding High-dimensional Bayesian Optimization
Korea Advanced Institute of Science and Technology (KAIST)（韩国科学技术院）
本文提出了一种基于大语言模型的进化框架，用于高维贝叶斯优化中的自动核发现，通过扩展核空间并避免依赖观测条件，提高了高维问题中核设计的有效性。
2026-05-18 cs.AI cs.LG
ConCerNet: A Contrastive Learning Based Framework for Automated Conservation Law Discovery and Trustworthy Dynamical System Prediction
Massachusetts Institute of Technology（麻省理工学院）；University of California, San Diego（加州大学圣地亚哥分校）；MIT-IBM Watson AI Lab（麻省理工-IBM沃森人工智能实验室）；IBM Research（IBM研究院）；Thomas J. Watson Research Center（托马斯·J·沃森研究中心）
针对深度神经网络建模动力系统时不遵守守恒律等物理约束的问题，提出含对比学习自动发现守恒律、神经投影层保证不变性的ConCerNet框架，理论证明隐表示与不变函数的关系，实验效果优于基线且可扩展至复杂大规模系统。
2023-07-19 cs.LG
FAMOSE: A ReAct Approach to Automated Feature Discovery
Amazon.com, Inc.（亚马逊公司）
FAMOSE通过ReAct方法实现自动化特征发现，显著提升分类和回归任务的性能，展示了AI代理在创新解决方案中的有效性。
2026-02-19 cs.AI cs.LG
Reward-Adaptive Iterative Discovery: A Case Study on Automated Game Testing for NHL26
Electronic Arts (EA)（艺电公司）
以EA SPORTS NHL 26为例，针对游戏测试工作量大的问题，提出奖励自适应迭代发现（RAID）方法，通过扩展强化学习算法，使其能找到多样高质量解决方案，单次实验就找到六种类似人工测试的曲棍球得分利用策略。
2026-07-09 cs.AI cs.LG
AutoSciDACT: Automated Scientific Discovery through Contrastive Embedding and Hypothesis Testing
Department of Physics, Massachusetts Institute of Technology（麻省理工学院物理系）；The NSF AI Institute for Artificial Intelligence and Fundamental Interactions（国家科学基金会人工智能与基本相互作用研究所）；Department of Physics, University of Wisconsin, Madison（威斯康星大学麦迪逊分校物理系）
AutoSciDACT通过对比嵌入和假设检验，实现科学数据中新颖性的自动化检测与统计量化。
2026-01-23 cs.AI cs.LG stat.ML
A new family of Constitutive Artificial Neural Networks towards automated model discovery
Stanford University（斯坦福大学）
100多年来，化学、物理和材料科学家提出了相互竞争的本构模型，以最好地表征自然和人造材料在机械载荷下的行为。现在，计算机科学提供了一个通用的解决方案：神经网络。神经网络是一种功能强大的函数逼近器，它可以从大量数据中学习本构关系，而无需任何底层物理知识。然而，经典的神经网络忽略了一个世纪以来在本构建模方面的研究，违反了热力学考虑，并且无法预测训练机制之外的行为。在这里，我们设计了一个新的家庭的本构人工神经网络，固有地满足常见的运动学，热力学，并在同一时间，约束的设计空间的容许功能，以创建强大的逼近，即使在稀疏数据的存在。我们重新审视力学的非线性场论，并对网络输入进行逆向工程，以考虑材料的客观性、对称性和不可压缩性;对网络输出进行逆向工程，以加强热力学一致性;对激活函数进行逆向工程，以实现物理上合理的限制;对网络架构进行逆向工程，以确保多凸性。我们证明了这类新的模型是经典的neo Hooke，Blatz Ko，Mooney Rivlin，Yeoh和Demiray模型的推广，并且网络权重具有明确的物理解释。当用橡胶的经典基准数据进行训练时，我们的网络自主选择最佳本构模型并学习其参数。我们的研究结果表明，本构人工神经网络有可能引起本构建模的范式转变，从用户定义的模型选择到自动模型发现。我们的源代码、数据和示例可以在https://github.com/LivingMatterLab/CAN…
2022-10-21 cond-mat.mtrl-sci cs.LG
Automated discovery of symbolic laws governing skill acquisition from naturally occurring data
National Engineering Research Center of Educational Big Data, Central China Normal University（华中师范大学教育大数据国家工程研究中心）；Faculty of Artificial Intelligence in Education, Central China Normal University（华中师范大学人工智能教育学部）；National Engineering Research Center for E-learning, Central China Normal University（华中师范大学国家数字化学习工程技术研究中心）
本文提出一种两阶段算法，结合深度学习与符号回归，从大规模训练日志中自动发现技能习得定律，并在Lumosity数据上验证了其有效性和优越性。
2024-05-27 cs.AI cs.LG
AutoMat: Accelerated Computational Electrochemical systems Discovery
Carnegie Mellon University（卡内基梅隆大学）；Citrine Informatics；Northeastern University（东北大学）；Massachusetts Institute of Technology（麻省理工学院）；Julia Computing；Deep Forest Sciences
大规模电气化对于应对气候危机至关重要，但要使化学工业和交通运输完全电气化，仍存在一些科学和技术挑战。在这两个领域，新的电化学材料将是至关重要的，但它们的发展目前严重依赖于人力时间密集型实验试错和计算昂贵的第一原理，介观尺度和连续模拟。我们提出了一个自动化的工作流程，AutoMat，通过引入自动化的输入生成和跨尺度的模拟管理，从第一原理到连续体器件建模，加速了这些计算步骤。此外，我们还展示了如何无缝集成多保真度预测，如机器学习代理或自动机器人实验“在环”。自动化框架与设计空间搜索技术一起实现，以通过隐式学习优化多个指标的器件性能的设计功能来显着加速整个材料发现管道。我们讨论了AutoMat的好处，使用电催化和能量存储的例子，并强调经验教训。
2022-05-13 cond-mat.mtrl-sci cs.LG
All Eyes on the Workflow: Automated and Efficient Event Discovery from Video Streams
Chair of Process and Data Science, RWTH Aachen University（过程与数据科学教授席位，亚琛工业大学）；Artificial Intelligence & Machine Learning Lab, Technical University of Darmstadt（人工智能与机器学习实验室，达姆施塔特技术大学）
提出SnapLog方法，利用图像嵌入和帧间相似矩阵进行时间分割，结合广义少样本分类从视频中提取事件数据，生成可解释的带标签时间戳帧序列。
2026-06-18 cs.CV cs.LG
