論文の概要: Making Mathematical Reasoning Adaptive

• arxiv url: http://arxiv.org/abs/2510.04617v1
• Date: Mon, 06 Oct 2025 09:30:05 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-07 16:52:59.772329
• Title: Making Mathematical Reasoning Adaptive
• Title（参考訳）: 数学的推論を適応化する
• Authors: Zhejian Lai, Xiang Geng, Zhijun Wang, Yang Bai, Jiahuan Li, Rongxiang Weng, Jingang Wang, Xuezhi Cao, Xunliang Cai, Shujian Huang,
• Abstract要約: 大規模言語モデル(LLM)における適応推論を実現するためのAdaRフレームワークを提案する。 AdaRは可変値によって論理的に等価なクエリを合成し、これらのデータに基づいてRLVRでモデルを訓練し、スプリアス論理をペナルライズする。 実験により, AdaRはロバスト性や一般化を向上し, 数学的推論の大幅な改善を実現していることが示された。
• 参考スコア（独自算出の注目度）: 61.45161826629692
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Mathematical reasoning is a primary indicator of large language models (LLMs) intelligence. However, existing LLMs exhibit failures of robustness and generalization. This paper attributes these deficiencies to spurious reasoning, i.e., producing answers from superficial features. To address this challenge, we propose the AdaR framework to enable adaptive reasoning, wherein models rely on problem-solving logic to produce answers. AdaR synthesizes logically equivalent queries by varying variable values, and trains models with RLVR on these data to penalize spurious logic while encouraging adaptive logic. To improve data quality, we extract the problem-solving logic from the original query and generate the corresponding answer by code execution, then apply a sanity check. Experimental results demonstrate that AdaR improves robustness and generalization, achieving substantial improvement in mathematical reasoning while maintaining high data efficiency. Analysis indicates that data synthesis and RLVR function in a coordinated manner to enable adaptive reasoning in LLMs. Subsequent analyses derive key design insights into the effect of critical factors and the applicability to instruct LLMs. Our project is available at https://github.com/LaiZhejian/AdaR
• Abstract（参考訳）: 数学的推論は、大規模言語モデル(LLM)インテリジェンスの主要な指標である。 しかし、既存のLLMは堅牢性と一般化の失敗を示す。 本稿は,これらの欠陥が表面的特徴から回答を導き出すという,刺激的な推論に起因している。 この課題に対処するため,適応推論を実現するためのAdaRフレームワークを提案する。 AdaRは、様々な変数値で論理的に等価なクエリを合成し、これらのデータ上でRLVRでモデルを訓練し、適応論理を奨励しながらスプリアス論理をペナル化する。 データ品質を向上させるため、元のクエリから問題解決ロジックを抽出し、コード実行によって対応する応答を生成し、健全性チェックを適用する。 実験結果から,AdaRはロバスト性や一般化性を向上し,高いデータ効率を維持しつつ数学的推論を大幅に改善することを示した。 解析により,LLMにおける適応推論を実現するために,データ合成とRLVR関数が協調的に機能することが示唆された。 その後の分析は、重要な要因の影響とLCMを指示する適用性に関する重要な設計上の洞察を導き出す。 私たちのプロジェクトはhttps://github.com/LaiZhejian/AdaRで利用可能です。

関連論文リスト

• Pushing LLMs to Their Logical Reasoning Bound: The Role of Data Reasoning Intensity [59.27594125465172]
  データ推論強度 (Data Reasoning Intensity, DRI) は, サンプルの潜在論理的推論複雑性を定量化する新しい指標である。 次に、学習データの論理的推論強度を体系的に強化する再認識最適化戦略を導入する。
  論文  参考訳（メタデータ） (2025-09-29T14:20:04Z)
• Synthesis by Design: Controlled Data Generation via Structural Guidance [7.938713951512933]
  数学的推論から生成した問題解決コードを用いて構造情報を抽出する。 提案手法は,ラベル付き中間ステップと6.1K-problemベンチマークで39Kの問題を発生させる。 ベンチマークの結果,推論長の増加に伴いモデル性能が低下することが示された。
  論文  参考訳（メタデータ） (2025-06-09T11:38:23Z)
• Stop Overthinking: A Survey on Efficient Reasoning for Large Language Models [49.61246073215651]
  大規模言語モデル(LLM)は複雑なタスクにおいて顕著な機能を示した。 OpenAI o1とDeepSeek-R1の最近の進歩は、System-2推論ドメインのパフォーマンスをさらに改善した。 しかし、冗長な出力と冗長な出力による計算オーバーヘッドも大幅に発生する。
  論文  参考訳（メタデータ） (2025-03-20T17:59:38Z)
• JustLogic: A Comprehensive Benchmark for Evaluating Deductive Reasoning in Large Language Models [51.99046112135311]
  LLM(Large Language Models)の厳密な評価のための合成推論ベンチマークであるJustLogicを紹介する。 JustLogicは非常に複雑で、多様な言語パターン、語彙、引数構造を生成することができる。 実験の結果, (i) LLMは人体平均値よりも同等かそれ以上に機能するが, 人体天井よりも著しく低下することがわかった。
  論文  参考訳（メタデータ） (2025-01-24T15:49:10Z)
• Critical-Questions-of-Thought: Steering LLM reasoning with Argumentative Querying [0.3659498819753633]
  State-of-the-art Large Language Model (LLM) は論理的および数学的推論を行う際にも苦戦している。 本稿では、議論論に関する文献からの批判的質問の概念を利用し、特にトゥールミンの議論モデルに焦点を当てる。 これらの重要な質問を取り入れることで,LLMの推論能力が向上することを示す。
  論文  参考訳（メタデータ） (2024-12-19T18:51:30Z)
• Abstract Meaning Representation-Based Logic-Driven Data Augmentation for Logical Reasoning [27.224364543134094]
  本稿では,論理駆動型データ拡張手法AMR-LDAを提案する。 AMR-LDAは元のテキストを抽象的意味表現(AMR)グラフに変換する。 修正されたAMRグラフは、拡張データを生成するためにテキストに変換される。
  論文  参考訳（メタデータ） (2023-05-21T23:16:26Z)

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。