因果推論のための可分経路：ア키탢テクチャルな骨格化が LLM エージェントの仮説空間再構成を促進する方法

arXiv:2604.20039v1 Announce Type: cross 要旨：実験と介入を介した因果発見は、頑健な問題解決において基本的な役割を果たしています。これは、固定されたフレームワーク内の信念を更新することだけでなく、仮説空間そのものを改めることを必要とし、現時点の AI エージェントは、証拠が以前構築したままの表現を必要としている状況において、この能力を欠いています。私たちは、開発科学におけるブロック検出器のパラダイムを拡張し、仮説空間再構成を標的としたアーキテクチャルな骨格が搭載された AI エージェントにおいて、この能力を検証することを試みました。私らの組成型アーキテクチャは 2 つの離散的なコンポーネントから成り立っています：探索を型付けされた状態機械として構造化するコンテキストグラフと、現在の仮説空間が不十分である証拠を監視し、ランタイムでそれを拡張する動的な振る舞い。1,085 回の実験試行において、これらのコンポーネントは相互に独立した貢献を行います：コンテキストグラフは、スイッチ後の仮説空間内での推論の質を高め、精度向上の 94% を説明するのに対し、動的な振る舞いは、レジムの変化を検出し、古いたがての仮説への過剰なコミットを防止することで、推論の適合性を高めます。

arXiv:2604.20039v1 Announce Type: cross Abstract: Causal discovery through experimentation and intervention is fundamental to robust problem solving. It requires not just updating beliefs within a fixed framework but revising the hypothesis space itself, a capacity current AI agents lack when evidence demands representations they have not previously constructed. We extend the blicket detector paradigm from developmental science to test this capacity in AI agents equipped with architectural scaffolding that targets hypothesis-space restructuring. Our compositional architecture has two discrete components: context graphs, which structure exploration as typed state machines, and dynamic behaviors, which monitor for evidence that the current hypothesis space is inadequate and expand it at runtime. Across 1,085 experimental trials, these components make orthogonal contributions: context graphs drive reasoning quality within the post-switch hypothesis space, accounting for 94\% of the accuracy gain, while dynamic behaviors drive reasoning eligibility by detecting regime changes and preventing premature commitment to outdated hypotheses.