論文の概要: Explaining Necessary Truths

• arxiv url: http://arxiv.org/abs/2502.11251v1
• Date: Sun, 16 Feb 2025 20:11:39 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-02-18 14:08:51.884068
• Title: Explaining Necessary Truths
• Title（参考訳）: 必然的真理を解説する
• Authors: Gülce Kardeş, Simon DeDeo,
• Abstract要約: 本稿では,計算複雑性に基づくフレームワークを提案する。このフレームワークでは,帰納的真理の説明と,探索過程におけるステップの単純化の発見を併用する。 我々は、GPT-4oを用いて、複雑で合理的なSATパズルを提示し、我々の理論を検証し、その予測が今後の人間の研究でどのようにテストできるかを示す。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: Knowing the truth is rarely enough -- we also seek out reasons why the fact is true. While much is known about how we explain contingent truths, we understand less about how we explain facts, such as those in mathematics, that are true as a matter of logical necessity. We present a framework, based in computational complexity, where explanations for deductive truths co-emerge with discoveries of simplifying steps during the search process. When such structures are missing, we revert, in turn, to error-based reasons, where a (corrected) mistake can serve as fictitious, but explanatory, contingency-cause: not making the mistake serves as a reason why the truth takes the form it does. We simulate human subjects, using GPT-4o, presented with SAT puzzles of varying complexity and reasonableness, validating our theory and showing how its predictions can be tested in future human studies.
• Abstract（参考訳）: 真実を知ることはめったにない -- 事実が真実である理由も探している。 随伴真理を説明する方法についてはよく知られているが、論理的必然性の問題として真である数学のような事実を説明する方法については理解されていない。 本稿では,計算複雑性に基づくフレームワークを提案する。このフレームワークでは,帰納的真理の説明と,探索過程におけるステップの単純化の発見を併用する。 このような構造が欠落している場合には、エラーベースの理由に逆戻りし、(訂正された)誤りが虚偽として機能するが、説明的、即時的な原因:誤りを犯さないことが、真理が形を取る理由となる。 我々は、GPT-4oを用いて、複雑で合理的なSATパズルを提示し、我々の理論を検証し、その予測が今後の人間の研究でどのようにテストできるかを示す。

関連論文リスト

• Aristotle: Mastering Logical Reasoning with A Logic-Complete Decompose-Search-Resolve Framework [93.59256448185954]
  本稿では論理完全推論フレームワークであるAristotleについて,論理解法,論理解法,論理解法,論理解法の3つの主要なコンポーネントを提案する。 本フレームワークでは,記号表現と論理規則を総合的に推論プロセスに統合する。 いくつかのデータセットの実験結果は、Aristotleが最先端の推論フレームワークを精度と効率の両方で一貫して上回っていることを示している。
  論文  参考訳（メタデータ） (2024-12-22T10:14:09Z)
• Liar, Liar, Logical Mire: A Benchmark for Suppositional Reasoning in Large Language Models [25.732397636695882]
  我々は騎士とナイフパズルの原理に基づく仮定推論のベンチマークである$textitTruthQuest$を紹介した。 評価の結果、Llama 3やMixtral-8x7Bのような大規模言語モデルはこれらのタスクを解くのにかなりの困難を呈している。
  論文  参考訳（メタデータ） (2024-06-18T12:24:22Z)
• Inference of Abstraction for a Unified Account of Reasoning and Learning [0.0]
  我々は、推論と学習の統一的な説明のために、単純な確率的推論の理論を与える。 我々は、形式論理におけるその満足度の観点から、データがどのように象徴的な知識を引き起こすかをモデル化する。
  論文  参考訳（メタデータ） (2024-02-14T09:43:35Z)
• Cognitive Dissonance: Why Do Language Model Outputs Disagree with Internal Representations of Truthfulness? [53.98071556805525]
  ニューラルネットワークモデル(LM)は、事実文の真偽を評価するために用いられる。 それらは、文の確率を問い合わせたり、真理の表現を内部で探したりすることができる。 過去の研究によると、これらの2つの手順は時折不一致であり、プローブはLM出力よりも正確である。 この結果、一部の研究者は、LMが非協力的なコミュニケーション意図を「十分」あるいは他の方法でコード化していると結論付けている。
  論文  参考訳（メタデータ） (2023-11-27T18:59:14Z)
• A Simple Generative Model of Logical Reasoning and Statistical Learning [0.6853165736531939]
  統計的学習と論理的推論は、AIの2つの主要な分野であり、人間のようなマシンインテリジェンスに統一されることが期待されている。 本稿では、論理的推論と統計的学習の単純なベイズモデルを提案する。 我々は、形式論理におけるその満足度の観点から、データがどのように象徴的知識を引き起こすかをモデル化する。
  論文  参考訳（メタデータ） (2023-05-18T16:34:51Z)
• A Theory of Inaccessible Information [0.0]
  我々は、実験的にアクセス可能なステートメントが一定数の到達不能ステートメントの和となる理論を開発する。 驚いたことに、到達不能情報の理論の最も単純なモデルは量子力学における量子ビットである。
  論文  参考訳（メタデータ） (2023-05-09T19:30:07Z)
• Truth Machines: Synthesizing Veracity in AI Language Models [0.0]
  我々は、AIシステムにおける真理の闘争と、現在までの一般的な対応について議論する。 その後、大規模な言語モデルであるInstructGPTにおける真理の生成について調査する。 これらの論理と矛盾はChatGPTで発生し、真理を非自明な問題として繰り返し主張する。
  論文  参考訳（メタデータ） (2023-01-28T02:47:50Z)
• MetaLogic: Logical Reasoning Explanations with Fine-Grained Structure [129.8481568648651]
  複雑な実生活シナリオにおけるモデルの論理的推論能力を調べるためのベンチマークを提案する。 推論のマルチホップ連鎖に基づいて、説明形式は3つの主成分を含む。 この新たな説明形式を用いて,現在のベストモデルの性能を評価した。
  論文  参考訳（メタデータ） (2022-10-22T16:01:13Z)
• Maieutic Prompting: Logically Consistent Reasoning with Recursive Explanations [71.2950434944196]
  ノイズや一貫性のない言語モデルでさえも問題に対する正しい答えを推測するMaieutic Promptingを開発する。 Maieutic Promptingは最先端のプロンプト法よりも最大20%精度が高い。
  論文  参考訳（メタデータ） (2022-05-24T06:36:42Z)
• On the Paradox of Learning to Reason from Data [86.13662838603761]
  BERTは,同じ問題空間上での他のデータ分布への一般化に失敗しながら,分布内テスト例に対してほぼ完全な精度が得られることを示す。 このパラドックスは、正しい推論関数をエミュレートする学習ではなく、論理的推論問題に本質的に存在する統計的特徴を実際に学習している。
  論文  参考訳（メタデータ） (2022-05-23T17:56:48Z)
• Generating Literal and Implied Subquestions to Fact-check Complex Claims [64.81832149826035]
  我々は、複雑なクレームを、そのクレームの正確性に影響を及ぼす「イエス・ノー・サブクエスト」の包括的集合に分解することに集中する。 我々は1000以上のクレームに対する分解のデータセットである ClaimDecomp を提示する。 これらのサブクエストは、関連する証拠を特定し、すべてのクレームを事実確認し、回答を通じて正確性を引き出すのに役立ちます。
  論文  参考訳（メタデータ） (2022-05-14T00:40:57Z)

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。