論文の概要: Verbalized Probabilistic Graphical Modeling with Large Language Models

• arxiv url: http://arxiv.org/abs/2406.05516v1
• Date: Sat, 8 Jun 2024 16:35:31 GMT
• ステータス: 処理完了
• システム内更新日: 2024-06-11 19:16:08.621314
• Title: Verbalized Probabilistic Graphical Modeling with Large Language Models
• Title（参考訳）: 大規模言語モデルを用いた言語確率的グラフモデリング
• Authors: Hengguan Huang, Xing Shen, Songtao Wang, Dianbo Liu, Hao Wang,
• Abstract要約: この研究は、大規模言語モデルによる学習自由ベイズ推論を促進する新しいベイズ急進的アプローチを導入している。 本研究は,AI言語理解システムの改善の可能性を示すとともに,信頼性評価とテキスト生成品質を効果的に向上させることを示唆する。
• 参考スコア（独自算出の注目度）: 8.961720262676195
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Faced with complex problems, the human brain demonstrates a remarkable capacity to transcend sensory input and form latent understandings of perceived world patterns. However, this cognitive capacity is not explicitly considered or encoded in current large language models (LLMs). As a result, LLMs often struggle to capture latent structures and model uncertainty in complex compositional reasoning tasks. This work introduces a novel Bayesian prompting approach that facilitates training-free Bayesian inference with LLMs by using a verbalized Probabilistic Graphical Model (PGM). While traditional Bayesian approaches typically depend on extensive data and predetermined mathematical structures for learning latent factors and dependencies, our approach efficiently reasons latent variables and their probabilistic dependencies by prompting LLMs to adhere to Bayesian principles. We evaluated our model on several compositional reasoning tasks, both close-ended and open-ended. Our results indicate that the model effectively enhances confidence elicitation and text generation quality, demonstrating its potential to improve AI language understanding systems, especially in modeling uncertainty.
• Abstract（参考訳）: 複雑な問題に直面して、人間の脳は感覚入力を超越し、知覚された世界パターンの潜在的な理解を形成する能力を示す。 しかし、この認知能力は現在の大規模言語モデル(LLM)では明確に考慮されていない。 その結果、LLMは複雑な構成的推論タスクにおいて潜在構造を捉え、不確実性をモデル化するのにしばしば苦労する。 本研究では,言語化された確率図形モデル (PGM) を用いて,LLMを用いた学習自由ベイズ推論を促進する新しいベイズ促進手法を提案する。 従来のベイズ的アプローチは、潜伏要因と依存を学習するための広範なデータと所定の数学的構造に依存しているが、我々のアプローチは、潜伏変数とその確率的依存関係を、ベイズ的原理に従うようLLMに促すことによって効率的に推論する。 我々は,複数の構成的推論タスクにおいて,クローズドおよびオープンエンドの両方でモデルを評価した。 本研究は,AI言語理解システム,特に不確実性のモデル化において,モデルが信頼性向上とテキスト生成品質を効果的に向上することを示し,AI言語理解システムの改善の可能性を示す。

関連論文リスト

• Unlocking Structured Thinking in Language Models with Cognitive Prompting [0.0]
  本研究では,大規模言語モデルにおける問題解決を導く新しい手法として認知的プロンプトを提案する。 メタのLLaMAモデルにおいて認知的プロンプトの有効性を評価する。
  論文  参考訳（メタデータ） (2024-10-03T19:53:47Z)
• TokenSHAP: Interpreting Large Language Models with Monte Carlo Shapley Value Estimation [0.0]
  TokenSHAPは、大規模言語モデルを解釈する新しい方法である。 これは、協調ゲーム理論から自然言語処理へのシェープリー値の適応である。 トークンの重要性を解釈可能で定量的に測定する。
  論文  参考訳（メタデータ） (2024-07-14T08:07:50Z)
• Large Language Models are Interpretable Learners [53.56735770834617]
  本稿では,Large Language Models(LLM)とシンボルプログラムの組み合わせによって,表現性と解釈可能性のギャップを埋めることができることを示す。 自然言語プロンプトを持つ事前訓練されたLLMは、生の入力を自然言語の概念に変換することができる解釈可能な膨大なモジュールセットを提供する。 LSPが学んだ知識は自然言語の記述と記号規則の組み合わせであり、人間(解釈可能)や他のLLMに容易に転送できる。
  論文  参考訳（メタデータ） (2024-06-25T02:18:15Z)
• An LLM Feature-based Framework for Dialogue Constructiveness Assessment [8.87747076871578]
  対話構築性評価に関する研究は、(i)個人が特定の行動をとること、議論に勝つこと、視点を変えること、またはオープンマインドネスを広げること、および(ii)そのような事例に対する対話に続く構成性の結果を予測することに焦点を当てている。 これらの目的は、解釈可能な特徴ベースモデルか、事前訓練された言語モデルのようなニューラルモデルのいずれかをトレーニングすることで達成できる。 特徴ベースとニューラルアプローチの強みを組み合わせた対話構築性評価のためのLLM特徴ベースフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-06-20T22:10:52Z)
• Can I understand what I create? Self-Knowledge Evaluation of Large Language Models [31.85129258347539]
  大規模言語モデル(LLM)は言語タスクにおいて顕著な進歩を遂げた。 フェインマンの創造を通して理解する原理に触発され、自己知識評価フレームワークを導入する。
  論文  参考訳（メタデータ） (2024-06-10T09:53:54Z)
• Interpreting Pretrained Language Models via Concept Bottlenecks [55.47515772358389]
  事前訓練された言語モデル(PLM)は、様々な自然言語処理タスクにおいて大きな進歩を遂げてきた。 ブラックボックスの性質による解釈可能性の欠如は、責任ある実装に課題をもたらす。 本研究では,人間にとって理解しやすい高レベルで有意義な概念を用いて,PLMを解釈する新しい手法を提案する。
  論文  参考訳（メタデータ） (2023-11-08T20:41:18Z)
• A Novel Neural-symbolic System under Statistical Relational Learning [50.747658038910565]
  本稿では,GBPGRと呼ばれる2段階の確率的グラフィカル推論フレームワークを提案する。 GBPGRでは、シンボル推論の結果を用いて、ディープラーニングモデルによる予測を洗練し、修正する。 提案手法は高い性能を示し, 帰納的タスクと帰納的タスクの両方において効果的な一般化を示す。
  論文  参考訳（メタデータ） (2023-09-16T09:15:37Z)
• Improving Open Information Extraction with Large Language Models: A Study on Demonstration Uncertainty [52.72790059506241]
  オープン情報抽出(OIE)タスクは、構造化されていないテキストから構造化された事実を抽出することを目的としている。 一般的なタスク解決手段としてChatGPTのような大きな言語モデル(LLM)の可能性にもかかわらず、OIEタスクの最先端(教師付き)メソッドは遅れている。
  論文  参考訳（メタデータ） (2023-09-07T01:35:24Z)
• Explainability for Large Language Models: A Survey [59.67574757137078]
  大規模言語モデル(LLM)は、自然言語処理における印象的な能力を示している。 本稿では,トランスフォーマーに基づく言語モデルを記述する手法について,説明可能性の分類法を紹介した。
  論文  参考訳（メタデータ） (2023-09-02T22:14:26Z)
• Explaining Language Models' Predictions with High-Impact Concepts [11.47612457613113]
  概念ベースの解釈可能性手法をNLPに拡張するための完全なフレームワークを提案する。 出力予測が大幅に変化する特徴を最適化する。 本手法は, ベースラインと比較して, 予測的影響, ユーザビリティ, 忠実度に関する優れた結果が得られる。
  論文  参考訳（メタデータ） (2023-05-03T14:48:27Z)
• ChatABL: Abductive Learning via Natural Language Interaction with ChatGPT [72.83383437501577]
  大規模言語モデル(LLM)は、最近数学的な能力において大きな可能性を証明している。 LLMは現在、認識、言語理解、推論能力のブリッジングに困難を抱えている。 本稿では, LLMを帰納学習フレームワークに統合する新しい手法を提案する。
  論文  参考訳（メタデータ） (2023-04-21T16:23:47Z)

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。