SMCEvolve: 基于序贯蒙特卡洛演化的有原则的科学发现
TLDR
SMCEvolve利用序贯蒙特卡洛引导LLM驱动的程序演化，实现有收敛保证的有原则的科学发现。
评分理由
The paper introduces a novel SMC-based framework that provides theoretical guarantees and outperforms existing systems on diverse benchmarks. Its strength lies in principled design and finite-sample analysis, but the abstract lacks details on limitations or comparisons to non-LLM methods.
Read-first 评分解释
综合优先阅读分 68.2，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 71。
研究版图角色
前沿论文桥接论文复现锚点
排序敏感性
稳定性：volatile；排名波动范围：38。
关键词评分
深度分析
创新点
- 将程序搜索重新表述为使用序贯蒙特卡洛从奖励倾斜的目标分布中采样
- 自适应父代重采样
- 变异与接受的混合
- 自动收敛控制
- 有限样本复杂度分析，界定了达到目标近似误差所需的LLM调用预算
方法
SMCEvolve将程序演化框架化为使用序贯蒙特卡洛采样器从奖励倾斜分布中采样，结合了自适应父代重采样、变异与接受的混合以及自动收敛控制。它包含有限样本复杂度分析，界定了达到目标近似误差所需的LLM调用预算，并在数学、算法效率、符号回归和端到端机器学习研究基准上进行了评估。
关键结果
SMCEvolve在数学、算法效率、符号回归和端到端机器学习研究基准上超越了最先进的演化系统，同时在自定终止条件下使用了更少的LLM调用。