SHELDON：通过假设空间与观测空间的双重搜索进行推理
TLDR
SHELDON通过联合探索假设与观测空间，发现无法解释的观测，在推理基准上超越基线。
评分理由
The paper's strength is its novel dual-space search inspired by the hypothetico-deductive method, with benchmark results showing gains and more novel solutions. Weaknesses include the abstract's limited detail on implementation and baselines, and the absence of real-world scientific validation.
Read-first 评分解释
综合优先阅读分 51.4，由主题、引用、图谱、方法、可复现性和近期性等信号加权得到。 原始总分保留为 52。
研究版图角色
前沿论文方法锚点
排序敏感性
稳定性：volatile；排名波动范围：42。
关键词评分
深度分析
创新点
- 分别表示并联合探索假设空间与观测空间，而非将观测发现与现有假设耦合。
- 在生成新假设的同时主动寻找新观测，从而发现当前假设无法解释的观测。
- 利用无法解释的观测暴露理解中的空白，并引导生成超越现有假设局部改进的新假设。
- 提出SHELDON，一种受假设-演绎方法和科学发现双空间模型启发的科学推理框架。
方法
SHELDON是一种科学推理框架，维护相互分离的假设空间与观测空间，并对两者进行联合搜索。它在生成新假设的同时主动收集新观测，利用当前假设无法解释的观测来暴露空白并激发新的调查研究。该方法在诊断、抽象推理和优化基准上与基线进行了比较评估。
关键结果
在诊断、抽象推理和优化基准上，SHELDON比评估的基线最高提升26.7个百分点。额外分析显示，SHELDON生成的新颖解决方案最多可达4.5倍。