L'esplorazione stocastica guidata migliora l'accuratezza dei modelli ricorsivi su Sudoku-Extreme

Un nuovo studio su arXiv (2605.25230) presenta un metodo chiamato esplorazione stocastica guidata che mira a migliorare il modo in cui le reti neurali ricorsive eseguono l'inferenza. Gli autori sostengono che la natura deterministica di questi modelli agisce essenzialmente come una stima priva di rumore dell'inferenza attraverso percorsi di ragionamento nascosti. Aggiungendo variazioni casuali e utilizzando la funzione di arresto anticipato del modello per modificare i percorsi candidati in tempo reale, offrono diagnostiche che non necessitano di etichette, come la stabilità locale, l'allineamento della guida e l'entropia dei token cloud. Questi indicatori aiutano a prevedere il successo del metodo e a individuare risultati affidabili. Impressionantemente, questa tecnica aumenta l'accuratezza di risoluzione esatta sul benchmark Sudoku-Extreme dall'85,9% al 98,0% senza alcun addestramento aggiuntivo.