💻 computer science

Agentic Discovery with Active Hypothesis Exploration for Visual Recognition

O artigo apresenta o HypoExplore, um framework agêntico que transforma a descoberta de arquiteturas neurais para reconhecimento visual em uma investigação científica orientada por hipóteses, utilizando uma árvore de trajetórias e um banco de memória para evoluir modelos que alcançam desempenho de ponta em diversos conjuntos de dados.

Autores originais: Jaywon Koo, Jefferson Hernandez, Ruozhen He, Hanjie Chen, Chen Wei, Vicente Ordonez

Publicado 2026-04-15

📖 5 min de leitura🧠 Leitura aprofundada

CC BY 4.0

Autores originais: Jaywon Koo, Jefferson Hernandez, Ruozhen He, Hanjie Chen, Chen Wei, Vicente Ordonez

Artigo original sob licença CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta é uma explicação gerada por IA do artigo abaixo. Não foi escrita nem endossada pelos autores. Para precisão técnica, consulte o artigo original. Ler aviso legal completo

Imagine que você é um cientista tentando descobrir a receita perfeita para um bolo, mas em vez de farinha e ovos, você está misturando códigos matemáticos para criar cérebros artificiais (redes neurais) que reconhecem imagens.

Normalmente, os cientistas fazem isso tentando milhares de combinações aleatórias, como um cozinheiro que joga ingredientes na panela sem receita, esperando que algo saia bom. É cansativo, demorado e muitas vezes repetitivo.

O HypoExplore, apresentado neste artigo, é como um chef robô superinteligente e metódico que não apenas cozinha, mas pensa como um cientista. Ele não chuta; ele formula hipóteses.

Aqui está como ele funciona, usando analogias do dia a dia:

1. A Ideia Central: De "Adivinhar" para "Investigar"

Em vez de apenas gerar milhares de modelos aleatórios, o HypoExplore age como um detetive ou um pesquisador de laboratório.

O Problema: Antes, as máquinas tentavam a mesma coisa várias vezes ou ficavam presas em soluções "boas o suficiente" sem tentar nada realmente novo.
A Solução: O HypoExplore cria uma árvore de pesquisa. Imagine um mapa de exploração onde cada ramo é uma ideia diferente. Se um ramo dá errado, o sistema não descarta tudo; ele aprende por que deu errado e usa essa informação para guiar o próximo passo.

2. A Memória do Sistema: O "Diário de Bordo" e a "Caixa de Ideias"

O sistema tem dois grandes arquivos de memória que funcionam juntos:

A Árvore de Trajetória (O Diário de Bordo): É como um diário de bordo de uma expedição. Ele registra cada tentativa, quem foi o "pai" daquela ideia, o que foi feito e o resultado. Assim, o robô nunca esquece o caminho que já percorreu e não perde tempo refazendo o mesmo caminho.
O Banco de Memória de Hipóteses (A Caixa de Ideias): Aqui é onde a mágica acontece. Cada vez que o robô testa uma ideia (ex: "adicionar um filtro de cor azul melhora a visão"), ele anota no banco de dados se essa ideia foi confirmada, refutada ou se ainda está incerta.
- Analogia: Imagine que você tem uma lista de suspeitos. Se um suspeito é inocentado (refutado), você não o chama mais. Se um suspeito parece culpado (confirmado), você foca nele. Se você não tem certeza, você continua investigando. O HypoExplore faz exatamente isso com ideias de arquitetura.

3. O Processo: Uma Equipe de Especialistas (Agentes)

O HypoExplore não é um robô solitário; é uma equipe de especialistas trabalhando juntos, como um estúdio de design:

O Ideador: Pega a direção da pesquisa (ex: "faça algo diferente do padrão") e cria novas ideias baseadas no que a equipe já sabe.
O Programador: Transforma essas ideias em código real. Se o código der erro, ele conserta sozinho.
O Executor: Treina o modelo no computador e vê se funciona.
Os Analistas de Feedback (4 especialistas): Depois do teste, eles olham os resultados de ângulos diferentes:
- Quantitativo: Olha os números (precisão, velocidade).
- Qualitativo: Olha as imagens erradas para ver onde o modelo falhou (usando visão computacional).
- Causal: Pergunta "O que mudou exatamente entre a versão anterior e esta que causou essa melhoria?".
- Diagnóstico: Se algo quebrou, descobre o porquê técnico.
O Síntese: É o "chefe" que pega todos os relatórios dos analistas, resolve contradições e atualiza o "Banco de Memória de Hipóteses" com o que foi aprendido.

4. A Estratégia de Dupla Escolha: Explorar vs. Explorar

O sistema precisa decidir: devo tentar algo novo e arriscado, ou devo melhorar algo que já funciona bem?

Seleção de Ramo (Onde ir?): Escolhe qual "árvore" de ideias continuar baseada no sucesso passado e no potencial não explorado.
Seleção de Hipótese (O que testar?): Usa uma estratégia inteligente para equilibrar:
- Exploração: Testar ideias incertas (o "talvez funcione").
- Exploração (Aproveitamento): Refinar ideias que já mostram sinais de sucesso.
- Analogia: É como um investidor que coloca dinheiro em ações seguras (para garantir lucro) e também em startups arriscadas (para tentar a grande descoberta), mas sempre baseado em dados concretos, não em sorte.

5. Os Resultados: O Que Eles Encontraram?

O sistema foi testado criando redes neurais para reconhecer imagens (como gatos, carros, etc.).

O Grande Achado: Eles descobriram uma arquitetura chamada GSTN (Rede de Tokens de Forma Global).
O Resultado: Essa rede é muito leve (usa pouquíssima memória, como um aplicativo de celular simples) mas é extremamente precisa (94,11% de acerto no teste padrão CIFAR-10), superando modelos humanos muito mais complexos e pesados.
Generalização: O que é mais impressionante é que o sistema não apenas achou um modelo bom, mas aprendeu princípios que funcionam em outros lugares (como em imagens médicas). Ele descobriu que "adicionar pequenos tokens globais ajuda a entender a forma do objeto, não apenas a textura".

Resumo em Uma Frase

O HypoExplore é um sistema que transforma a descoberta de inteligência artificial de um "jogo de sorte" em um processo científico rigoroso, onde cada erro é anotado, cada sucesso é validado e o conhecimento é acumulado para que a próxima tentativa seja sempre mais inteligente que a anterior.

É como se a máquina parasse de tentar adivinhar a senha do cofre e começasse a estudar as pistas deixadas nas tentativas anteriores para deduzir a combinação correta.

1. Problema

O design de arquiteturas neurais eficazes continua sendo um desafio central na visão computacional. Embora existam métodos automatizados de busca de arquitetura (NAS) e frameworks de descoberta científica autônoma, muitos deles sofrem de limitações críticas:

Dependência de Espaços de Busca Fixos: Muitos sistemas partem de uma arquitetura "semente" pré-definida, limitando a descoberta a variações incrementais e impedindo a exploração de ideias fundamentais novas.
Exploração Cega e Redundante: Sistemas que geram arquiteturas aleatoriamente ou baseados apenas em recompensas imediatas tendem a ficar presos em ótimos locais, repetir padrões de design já explorados e falhar em construir um entendimento causal sobre por que certas arquiteturas funcionam.
Falta de Rastreabilidade Científica: A maioria das abordagens não mantém um registro estruturado do raciocínio, das hipóteses testadas e das evidências acumuladas, dificultando a transferência de conhecimento entre diferentes linhas de pesquisa.

O objetivo deste trabalho é criar um sistema que não apenas busque arquiteturas, mas que realize uma descoberta científica autônoma, formulando o processo como uma investigação guiada por hipóteses, capaz de partir do zero (sem sementes pré-definidas) e aprender princípios de design transferíveis.

2. Metodologia: HypoExplore

O authors propõem o HypoExplore, um framework multi-agente baseado em memória que trata a descoberta de arquiteturas neurais como um ciclo de investigação científica. O sistema não apenas gera código, mas formula, testa e refuta hipóteses sobre mecanismos de arquitetura.

Componentes Principais:

Memória Estruturada (O Coração do Sistema):
- Árvore de Trajetória (Trajectory Tree): Registra a linhagem completa de todas as arquiteturas propostas, conectando pais e filhos, armazenando hipóteses, implementações e resultados experimentais. Isso preserva o histórico de exploração.
- Banco de Memória de Hipóteses (Hypothesis Memory Bank): Rastreia estatísticas de nível de hipótese para cada mecanismo proposto. Para cada hipótese $h$ $h$ , o sistema armazena:
  - Contagem de testes ( $N_t(h)$ ).
  - Score de Confiança ( $c_t(h)$ ): Um valor entre 0 e 1 que evolui com base em evidências experimentais.
  - Logs de evidência (suporte, contradição, modos de falha).
Ciclo de Pesquisa por Nó (Per-Node Research Cycle):
O sistema opera através de uma cadeia de agentes especializados:
- Agente de Ideias (Idea Agent): Gera novas arquiteturas baseadas em uma direção de pesquisa humana e no contexto da memória. Pode criar arquiteturas do zero (nó raiz) ou evoluir a partir de um nó pai, guiado por hipóteses específicas.
- Agente de Codificação (Coding Agent): Implementa a arquitetura em PyTorch, gerando model.py e config.py. Inclui loops de recuperação de erros e refinamento de hiperparâmetros.
- Agente de Filtragem de Redundância: Usa embeddings e um LLM para garantir que a nova arquitetura não seja uma duplicata de conceitos já explorados na árvore de trajetória.
- Executor: Treina e avalia a arquitetura dentro de um limite de tempo (wall-clock timeout).
- Agentes de Feedback (Múltiplas Perspectivas): Analisam os resultados sob quatro ângulos:
  - Quantitativo: Curvas de perda, convergência, eficiência.
  - Qualitativo (VLM): Análise de mapas de atenção e imagens mal classificadas para identificar viés de textura vs. forma.
  - Causal: Atribui mudanças de desempenho a modificações estruturais específicas.
  - Diagnóstico: Analisa falhas de implementação (ex: OOM, instabilidade).
- Agente de Síntese de Hipóteses: Consolida os feedbacks, atualiza os scores de confiança das hipóteses e gera novas hipóteses refinadas.
Estratégia de Seleção Dual (Dual Selection Strategy):
Para equilibrar exploração e exploração, o sistema usa uma seleção em dois níveis:
- Seleção de Nó Pai: Escolhe qual ramo da árvore expandir, ponderando o desempenho da tarefa e o potencial de busca não explorado (evitando estagnação em ramos saturados).
- Seleção de Hipóteses: Dentro do ramo escolhido, seleciona quais hipóteses testar usando:
  - Amostragem de Thompson (Exploração/Exploração): Baseada em evidências acumuladas para priorizar hipóteses promissoras.
  - Valor Epistêmico: Prioriza hipóteses com alta incerteza (confiança próxima de 0.5) para reduzir a ambiguidade.

3. Contribuições Chave

Framework HypoExplore: Um sistema multi-agente que reformula a busca de arquitetura como uma investigação científica baseada em hipóteses, sem depender de arquiteturas semente pré-definidas.
Memória Centrada em Hipóteses: A introdução de um banco de dados estruturado que rastreia a confiança e a evidência de mecanismos de arquitetura específicos, permitindo que o sistema "aprenda" o que funciona e o que não funciona, evitando repetições.
Estratégia de Seleção Guiada: Um mecanismo que separa a decisão de onde explorar (qual ramo) de o que testar (qual hipótese), equilibrando a exploração de novas ideias com a exploração de caminhos promissores.
Descoberta de Arquiteturas Eficientes e Transferíveis: O sistema descobriu arquiteturas que superam o estado da arte em eficiência e generalizam para domínios médicos, demonstrando que os princípios aprendidos são transferíveis entre linhagens evolutivas independentes.

4. Resultados

Desempenho no CIFAR-10:
- O sistema evoluiu uma arquitetura chamada GSTN (Global Shape Token Network) que atinge 94,11% de precisão no CIFAR-10.
- A arquitetura foi descoberta a partir de um nó raiz com apenas 18,91% de precisão, demonstrando uma melhoria drástica através da exploração guiada.
- A GSTN possui apenas 0,9M de parâmetros, superando ou igualando redes manuais maiores (como ResNet-18 com 11,7M e MobileNet V3 com 2,5M) em eficiência.
Generalização:
- A GSTN generaliza robustamente para CIFAR-100 (72,6% de precisão) e Tiny-ImageNet (58,1%), mantendo sua vantagem em relação a modelos leves existentes.
Domínio Específico (MedMNIST):
- Em uma corrida de descoberta independente no conjunto de dados MedMNIST (focado em imagens médicas), o HypoExplore descobriu uma arquitetura que atingiu o estado da arte (SOTA) em tarefas de classificação de pele (DermalMNIST) e tecido (TissueMNIST), superando modelos especializados pré-existentes sem usar nenhuma arquitetura semente médica.
Análise de Hipóteses:
- Calibração de Confiança: A precisão preditiva das hipóteses aumenta monotonicamente com o score de confiança. Hipóteses com confiança > 0,75 acertaram 80% das vezes na previsão de melhoria de desempenho.
- Transferência de Conhecimento: As hipóteses validadas em uma linhagem evolutiva tiveram uma taxa de sucesso de 65,5% quando aplicadas em linhagens independentes, provando que o sistema aprendeu princípios de design universais e não apenas artefatos específicos de um modelo.

5. Significado e Impacto

O trabalho do HypoExplore representa um avanço significativo na interseção entre Inteligência Artificial e Método Científico:

Mudança de Paradigma: Move a descoberta de arquiteturas de uma busca cega ou incremental para um processo de investigação científica explícita. O sistema não apenas "acha" uma boa rede, mas constrói um modelo mental do espaço de design, acumulando evidências sobre o que funciona.
Interpretabilidade e Rastreabilidade: Ao manter uma árvore de trajetória e um banco de hipóteses, o processo de descoberta torna-se interpretável. Os pesquisadores podem entender por que uma arquitetura falhou ou teve sucesso, baseando-se em hipóteses testadas e refutadas.
Eficiência em Domínios Especializados: A capacidade de descobrir arquiteturas SOTA para medicina sem depender de modelos pré-existentes sugere que essa abordagem pode acelerar a inovação em áreas onde dados são escassos ou onde os modelos padrão falham.
Validação de Princípios: A descoberta de que princípios de design (como tokens globais de forma ou roteamento por hubs) são transferíveis entre linhagens independentes valida a ideia de que sistemas autônomos podem aprender "física" de design de redes neurais, não apenas otimizar hiperparâmetros.

Em resumo, o HypoExplore demonstra que a automação da descoberta científica, quando guiada por hipóteses ativas e memória estruturada, pode superar métodos tradicionais de busca e gerar não apenas melhores modelos, mas também um entendimento mais profundo do espaço de design de redes neurais.