論文の概要: Structured Prompting and Feedback-Guided Reasoning with LLMs for Data Interpretation

• arxiv url: http://arxiv.org/abs/2505.01636v1
• Date: Sat, 03 May 2025 00:05:01 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-06 18:49:35.200676
• Title: Structured Prompting and Feedback-Guided Reasoning with LLMs for Data Interpretation
• Title（参考訳）: データ解釈のための構造的プロンプティングとLLMによるフィードバック誘導推論
• Authors: Amit Rath,
• Abstract要約: 大規模言語モデル(LLM)は、自然言語の理解とタスクの一般化において顕著な能力を示した。 本稿では、構造化されたプロンプトおよびフィードバック駆動型変換ロジック生成手法であるSTROT Frameworkを紹介する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Large language models (LLMs) have demonstrated remarkable capabilities in natural language understanding and task generalization. However, their application to structured data analysis remains fragile due to inconsistencies in schema interpretation, misalignment between user intent and model output, and limited mechanisms for self-correction when failures occur. This paper introduces the STROT Framework (Structured Task Reasoning and Output Transformation), a method for structured prompting and feedback-driven transformation logic generation aimed at improving the reliability and semantic alignment of LLM-based analytical workflows. STROT begins with lightweight schema introspection and sample-based field classification, enabling dynamic context construction that captures both the structure and statistical profile of the input data. This contextual information is embedded in structured prompts that guide the model toward generating task-specific, interpretable outputs. To address common failure modes in complex queries, STROT incorporates a refinement mechanism in which the model iteratively revises its outputs based on execution feedback and validation signals. Unlike conventional approaches that rely on static prompts or single-shot inference, STROT treats the LLM as a reasoning agent embedded within a controlled analysis loop -- capable of adjusting its output trajectory through planning and correction. The result is a robust and reproducible framework for reasoning over structured data with LLMs, applicable to diverse data exploration and analysis tasks where interpretability, stability, and correctness are essential.
• Abstract（参考訳）: 大規模言語モデル(LLM)は、自然言語の理解とタスクの一般化において顕著な能力を示した。 しかし、それらの構造化データ解析への応用は、スキーマ解釈の不整合、ユーザ意図とモデル出力の不整合、障害発生時の自己補正機構の制限により、脆弱なままである。 本稿では,LLMに基づく解析ワークフローの信頼性とセマンティックアライメントを改善することを目的とした,構造化されたプロンプトとフィードバック駆動型変換ロジック生成手法であるSTROT Frameworkを紹介する。 STROTは軽量なスキーマイントロスペクションとサンプルベースのフィールド分類から始まり、入力データの構造と統計的プロファイルの両方をキャプチャする動的コンテキスト構築を可能にする。 このコンテキスト情報は構造化プロンプトに埋め込まれ、モデルがタスク固有の解釈可能なアウトプットを生成するためのガイドとなる。 複雑なクエリにおける一般的な障害モードに対処するため、STROTはモデルが実行フィードバックと検証信号に基づいて出力を反復的に更新する洗練されたメカニズムを組み込んでいる。 静的プロンプトやシングルショット推論に依存する従来のアプローチとは異なり、STROTはLSMを制御された分析ループに埋め込まれた推論エージェントとして扱い、計画と修正を通じて出力軌跡を調整することができる。 結果は、LLMを用いて構造化されたデータを推論する堅牢で再現可能なフレームワークであり、解釈可能性、安定性、正確性が不可欠である多様なデータ探索および分析タスクに適用できる。

関連論文リスト

• SALAD: Improving Robustness and Generalization through Contrastive Learning with Structure-Aware and LLM-Driven Augmented Data [15.366930934639838]
  モデルロバスト性と一般化を向上する新しいアプローチであるSALADを提案する。 提案手法は,コントラスト学習のための構造認識および非実効的拡張データを生成する。 本研究のアプローチは,感性分類,性行為検出,自然言語推論の3つのタスクを用いて検証する。
  論文  参考訳（メタデータ） (2025-04-16T15:40:10Z)
• Towards a Probabilistic Framework for Analyzing and Improving LLM-Enabled Software [0.0]
  大規模言語モデル(LLM)対応システムは、ソフトウェア工学において重要な課題である。 本稿では,これらのシステムを体系的に解析し,改善するための確率的枠組みを提案する。
  論文  参考訳（メタデータ） (2025-01-10T22:42:06Z)
• StructTest: Benchmarking LLMs' Reasoning through Compositional Structured Outputs [78.84060166851805]
  StructTestは、大規模な言語モデル(LLM)を合成命令に従って構造化出力を生成する能力に基づいて評価する、新しいベンチマークである。 評価はルールベースの評価器を用いて決定的に行われ、新しいタスクやデータセットに容易に拡張できる。 StructTestは、Deepseek-V3/R1やGPT-4oといったトップパフォーマンスモデルでも、依然として難しいままです。
  論文  参考訳（メタデータ） (2024-12-23T22:08:40Z)
• Interpreting token compositionality in LLMs: A robustness analysis [10.777646083061395]
  Constituent-Aware Pooling (CAP)は、大規模言語モデルが言語構造をどのように処理するかを分析するために設計された方法論である。 CAPは様々なモデルレベルで構成型プールを通してモデル活性化に介入する。 本研究は,合成セマンティクス処理とモデル解釈可能性に関する,現在のトランスフォーマーアーキテクチャの基本的制約を明らかにする。
  論文  参考訳（メタデータ） (2024-10-16T18:10:50Z)
• 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)
• StructGPT: A General Framework for Large Language Model to Reason over Structured Data [117.13986738340027]
  我々は,構造化データに基づく質問応答タスクの解法として,emphIterative Reading-then-Reasoning(IRR)アプローチを開発した。 提案手法はChatGPTの性能を大幅に向上させ,全データの教師付きベースラインに対して同等のパフォーマンスを実現する。
  論文  参考訳（メタデータ） (2023-05-16T17:45:23Z)
• Autoregressive Structured Prediction with Language Models [73.11519625765301]
  本稿では, PLM を用いた自己回帰的手法を用いて, モデル構造を行動列として記述する。 我々のアプローチは、私たちが見てきた全ての構造化予測タスクにおいて、新しい最先端を実現する。
  論文  参考訳（メタデータ） (2022-10-26T13:27:26Z)

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。