論文の概要: Iterative Resolution of Prompt Ambiguities Using a Progressive Cutting-Search Approach

• arxiv url: http://arxiv.org/abs/2505.02952v1
• Date: Mon, 05 May 2025 18:31:18 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-07 18:50:11.098278
• Title: Iterative Resolution of Prompt Ambiguities Using a Progressive Cutting-Search Approach
• Title（参考訳）: プログレッシブカッティング探索法によるプロンプト曖昧性の反復解法
• Authors: Fabrizio Marozzo,
• Abstract要約: 生成AIシステムは、自然言語ベースのコーディングと問題解決を可能にすることによって、人間のインタラクションに革命をもたらした。 しかし、自然言語の本質的な曖昧さは、しばしば不正確な指示を導き、ユーザに反復的にテスト、修正、再提出を強制する。 本稿では,これらのあいまいさを体系的に絞り込む反復的アプローチを提案する。
• 参考スコア（独自算出の注目度）: 1.3053649021965603
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Generative AI systems have revolutionized human interaction by enabling natural language-based coding and problem solving. However, the inherent ambiguity of natural language often leads to imprecise instructions, forcing users to iteratively test, correct, and resubmit their prompts. We propose an iterative approach that systematically narrows down these ambiguities through a structured series of clarification questions and alternative solution proposals, illustrated with input/output examples as well. Once every uncertainty is resolved, a final, precise solution is generated. Evaluated on a diverse dataset spanning coding, data analysis, and creative writing, our method demonstrates superior accuracy, competitive resolution times, and higher user satisfaction compared to conventional one-shot solutions, which typically require multiple manual iterations to achieve a correct output.
• Abstract（参考訳）: 生成AIシステムは、自然言語ベースのコーディングと問題解決を可能にすることによって、人間のインタラクションに革命をもたらした。 しかし、自然言語の本質的な曖昧さは、しばしば不正確な指示を導き、ユーザに反復的にテスト、修正、再提出を強制する。 本稿では,これらの曖昧さを体系的に絞り込むための反復的アプローチを提案する。 全ての不確実性が解決されると、最終的な正確な解が生成される。 コーディング,データ解析,創造的記述を対象とする多種多様なデータセットから評価し,従来のワンショットソリューションに比べて精度,競争的解決時間,ユーザ満足度が高いことを示す。

関連論文リスト

• Text-guided Explorable Image Super-resolution [14.83045604603449]
  ゼロショットテキスト誘導超解像に対する2つのアプローチを提案する。 提案手法はテキストプロンプトによって提供される意味的意味に合致する多様な解をもたらすことを示す。
  論文  参考訳（メタデータ） (2024-03-02T08:10:54Z)
• V-STaR: Training Verifiers for Self-Taught Reasoners [71.53113558733227]
  V-STaR はモデル生成解の正しさを判断する DPO を用いて検証器を訓練する。 複数のイテレーションでV-STaRを実行すると、徐々により良い推論器と検証器が得られる。
  論文  参考訳（メタデータ） (2024-02-09T15:02:56Z)
• Understanding and Mitigating Classification Errors Through Interpretable Token Patterns [58.91023283103762]
  容易に解釈可能な用語でエラーを特徴付けることは、分類器が体系的なエラーを起こす傾向にあるかどうかを洞察する。 正しい予測と誤予測を区別するトークンのパターンを発見することを提案する。 提案手法であるPremiseが実際によく動作することを示す。
  論文  参考訳（メタデータ） (2023-11-18T00:24:26Z)
• Just Ask One More Time! Self-Agreement Improves Reasoning of Language Models in (Almost) All Scenarios [20.097990701501523]
  textbfSelf-Agreementは、ほとんどすべてのシナリオに適用できる一般化可能なアンサンブル最適化手法である。 6つの公開推論ベンチマークと優れた一般化能力で、同時に顕著なパフォーマンスを実現している。
  論文  参考訳（メタデータ） (2023-11-14T13:30:54Z)
• GRACE: Discriminator-Guided Chain-of-Thought Reasoning [75.35436025709049]
  本稿では, 正しい推論手順を導出するために, GRACE (CorrectnEss Discriminator) を用いたチェーン・オブ・シークレット・リAsoningを提案する。 GRACEは、正しいステップと間違ったステップに対して対照的な損失で訓練された判別器を採用しており、復号時に次のステップ候補を採点するために使用される。
  論文  参考訳（メタデータ） (2023-05-24T09:16:51Z)
• Learning Proximal Operators to Discover Multiple Optima [66.98045013486794]
  非家族問題における近位演算子を学習するためのエンドツーエンド手法を提案する。 本手法は,弱い目的と穏やかな条件下では,世界規模で収束することを示す。
  論文  参考訳（メタデータ） (2022-01-28T05:53:28Z)
• A Mutual Information Maximization Approach for the Spurious Solution Problem in Weakly Supervised Question Answering [60.768146126094955]
  弱々しい教師付き質問応答は通常、最終的な答えのみを監督信号として持つ。 偶然に正解を導出する刺激的な解が多数存在するかもしれないが、そのような解の訓練はモデルの性能を損なう可能性がある。 本稿では,質問応答対と予測解間の相互情報の最大化により,このような意味的相関を明示的に活用することを提案する。
  論文  参考訳（メタデータ） (2021-06-14T05:47:41Z)

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。