論文の概要: LaRS: Latent Reasoning Skills for Chain-of-Thought Reasoning

• arxiv url: http://arxiv.org/abs/2312.04684v3
• Date: Sun, 27 Oct 2024 23:36:25 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-10-29 12:18:38.502450
• Title: LaRS: Latent Reasoning Skills for Chain-of-Thought Reasoning
• Title（参考訳）: LaRS:Chain-of-Thought Reasoningの遅延推論スキル
• Authors: Zifan Xu, Haozhu Wang, Dmitriy Bespalov, Xian Wu, Peter Stone, Yanjun Qi,
• Abstract要約: Chain-of-Thoughting(CoT)プロンプトは、大規模言語モデル(LLM)のための一般的なコンテキスト内学習手法である。 本稿では、教師なし学習を用いて有理数の潜在空間表現を生成するLaRS(Lalatnt Reasoning Skills)という新しいアプローチを提案する。
• 参考スコア（独自算出の注目度）: 61.7853049843921
• License:
• Abstract: Chain-of-thought (CoT) prompting is a popular in-context learning (ICL) approach for large language models (LLMs), especially when tackling complex reasoning tasks. Traditional ICL approaches construct prompts using examples that contain questions similar to the input question. However, CoT prompting, which includes crucial intermediate reasoning steps (rationales) within its examples, necessitates selecting examples based on these rationales rather than the questions themselves. Existing methods require human experts or pre-trained LLMs to describe the skill, a high-level abstraction of rationales, to guide the selection. These methods, however, are often costly and difficult to scale. Instead, this paper introduces a new approach named Latent Reasoning Skills (LaRS) that employs unsupervised learning to create a latent space representation of rationales, with a latent variable called a reasoning skill. Concurrently, LaRS learns a reasoning policy to determine the required reasoning skill for a given question. Then the ICL examples are selected by aligning the reasoning skills between past examples and the question. This approach is theoretically grounded and compute-efficient, eliminating the need for auxiliary LLM inference or manual prompt design. Empirical results demonstrate that LaRS consistently outperforms SOTA skill-based selection methods, processing example banks four times faster, reducing LLM inferences during the selection stage by half, and showing greater robustness to sub-optimal example banks.
• Abstract（参考訳）: CoT(Chain-of-thinkt)プロンプトは、特に複雑な推論タスクを扱う場合、大規模言語モデル(LLM)に対するICL(In-context Learning)アプローチとして人気がある。 従来のICLアプローチは、入力された質問に類似した質問を含む例を使ってプロンプトを構成する。 しかし、CoTプロンプトは、その例の中に重要な中間推論ステップ(有理数)を含むもので、質問そのものではなく、これらの有理数に基づいて例を選択する必要がある。 既存の手法では、人間の専門家や事前訓練されたLLMが、選択を導くために、有理性の高度な抽象化であるスキルを記述する必要がある。 しかし、これらの方法はしばしば費用がかかり、スケールが困難である。 そこで本研究では、教師なし学習を用いて有理数の潜在空間表現を生成するLaRS(Latent Reasoning Skills)という新しい手法を提案する。 同時に、LaRSは、ある質問に必要な推論スキルを決定するための推論ポリシーを学ぶ。 そして、過去の例と質問の推論スキルを合わせることで、ICLの例を選択します。 このアプローチは理論的に基礎があり、計算効率が良いため、補助的なLCM推論や手動のプロンプト設計は不要である。 実験の結果、LaRSはSOTAのスキルベース選択法を一貫して上回り、サンプルバンクを4倍高速に処理し、選択段階におけるLLM推論を半分に減らし、サブ最適サンプルバンクに対するロバスト性を示した。

関連論文リスト

• Make LLMs better zero-shot reasoners: Structure-orientated autonomous reasoning [52.83539473110143]
  本稿では,Large Language Models (LLM) の質問をよりよく理解するための構造指向分析手法を提案する。 複雑な質問応答タスクの信頼性をさらに向上するために,多エージェント推論システム,構造指向自律推論エージェント(SARA)を提案する。 大規模な実験により,提案システムの有効性が検証された。
  論文  参考訳（メタデータ） (2024-10-18T05:30:33Z)
• Combinatorial Reasoning: Selecting Reasons in Generative AI Pipelines via Combinatorial Optimization [2.090904951468026]
  大きな言語モデル(LLM)は、人間の知性を必要とするタスクにおいて印象的な能力を示す。 しかし、LLMの推論能力は重要な議論の的となっている。 本稿では,完全自動プロンプト方式である Combinatorial Reasoning (CR) について紹介する。
  論文  参考訳（メタデータ） (2024-06-19T16:47:44Z)
• Aggregation of Reasoning: A Hierarchical Framework for Enhancing Answer Selection in Large Language Models [84.15513004135576]
  最近の研究は、複数の推論チェーンをサンプリングし、応答周波数に基づいてアンサンブルすることで、Large Language Models(LLMs)の推論性能を向上させる。 このアプローチは、正しい答えが少数派である場合に失敗する。 階層的推論集約フレームワークAoRを導入し、推論連鎖の評価に基づいて回答を選択する。
  論文  参考訳（メタデータ） (2024-05-21T17:12:19Z)
• DetermLR: Augmenting LLM-based Logical Reasoning from Indeterminacy to Determinacy [76.58614128865652]
  非決定性から決定性への進化として推論過程を再考する新しい視点であるDetermLRを提案する。 まず、既知の条件を次の2つのタイプに分類する: 決定的および不決定的前提 これは、推論プロセスのオール方向を提供し、不決定的データを段階的決定的洞察に変換する際のLCMを導く。 我々は、利用可能な施設の保存と抽出、推論メモリによる推論パスの自動化、そしてその後の推論ステップに関する歴史的推論の詳細を保存する。
  論文  参考訳（メタデータ） (2023-10-28T10:05:51Z)
• Concise and Organized Perception Facilitates Reasoning in Large Language Models [32.71672086718057]
  大規模言語モデル (LLM) は, 推論作業における乱雑な内容や無関係な内容を扱う際に, 人間の認知バイアスに類似した障害パターンを示す。 コンシス・アンド・オーガナイズド・パーセプション(COP)という新しい推論手法を提案する。 COPは与えられたステートメントを慎重に分析し、冗長性を効率的に排除しながら、最も関連する情報を識別する。
  論文  参考訳（メタデータ） (2023-10-05T04:47:49Z)
• Towards LogiGLUE: A Brief Survey and A Benchmark for Analyzing Logical Reasoning Capabilities of Language Models [56.34029644009297]
  大規模言語モデル(LLM)は、形式的知識表現(KR)システムの様々な制限を克服する能力を示した。 LLMは誘導的推論において最も優れているが、誘導的推論では最も効果が低い。 モデルの性能を評価するため,シングルタスクトレーニング,マルチタスクトレーニング,および「チェーンオブ思考」知識蒸留細調整技術について検討した。
  論文  参考訳（メタデータ） (2023-10-02T01:00:50Z)
• Rethinking with Retrieval: Faithful Large Language Model Inference [91.66406351103484]
  我々は検索(RR)で再考する新しいポストプロセッシング手法を提案する。 RRは、チェーン・オブ・シークレット・プロンプトから得られた推論ステップに基づいて、関連する外部知識を検索する。 複雑な3つの推論課題に対する GPT-3 を用いた広範囲な実験により RR の有効性を評価する。
  論文  参考訳（メタデータ） (2022-12-31T22:35:34Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。