論文の概要: Graph of States: Solving Abductive Tasks with Large Language Models

• arxiv url: http://arxiv.org/abs/2603.21250v1
• Date: Sun, 22 Mar 2026 14:14:23 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-24 19:11:39.31436
• Title: Graph of States: Solving Abductive Tasks with Large Language Models
• Title（参考訳）: Graph of States: 大きな言語モデルによる帰納的タスクの解決
• Authors: Yu Luo, Rongchen Gao, Lu Teng, Xidao Wen, Jiamin Jiang, Qingliang Zhang, Yongqian Sun, Shenglin Zhang, Jiasong Feng, Tong Liu, Wenjie Zhang, Dan Pei,
• Abstract要約: 本稿では,誘拐作業に適した汎用神経シンボルフレームワークであるGraph of Statesを紹介する。 GoSは、論理的依存関係を明示的にエンコードする因果グラフと、推論プロセスの有効な遷移を管理する状態マシンを利用する。
• 参考スコア（独自算出の注目度）: 14.118026118085245
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Logical reasoning encompasses deduction, induction, and abduction. However, while Large Language Models (LLMs) have effectively mastered the former two, abductive reasoning remains significantly underexplored. Existing frameworks, predominantly designed for static deductive tasks, fail to generalize to abductive reasoning due to unstructured state representation and lack of explicit state control. Consequently, they are inevitably prone to Evidence Fabrication, Context Drift, Failed Backtracking, and Early Stopping. To bridge this gap, we introduce Graph of States (GoS), a general-purpose neuro-symbolic framework tailored for abductive tasks. GoS grounds multi-agent collaboration in a structured belief states, utilizing a causal graph to explicitly encode logical dependencies and a state machine to govern the valid transitions of the reasoning process. By dynamically aligning the reasoning focus with these symbolic constraints, our approach transforms aimless, unconstrained exploration into a convergent, directed search. Extensive evaluations on two real-world datasets demonstrate that GoS significantly outperforms all baselines, providing a robust solution for complex abductive tasks. Code repo and all prompts: https://anonymous.4open.science/r/Graph-of-States-5B4E.
• Abstract（参考訳）: 論理的推論は推論、帰納、誘拐を含む。 しかし、Large Language Models (LLMs) は以前の2つを効果的に習得しているが、帰納的推論は明らかに過小評価されている。 既存のフレームワークは、主に静的推論タスク用に設計されており、構造化されていない状態表現と明示的な状態制御の欠如により、帰納的推論に一般化できない。 その結果、エビデンス・マニュファクチャリング、コンテキスト・ドリフト、フェイルド・バックトラック、アーリー・ストップングが必然的に困難になる。 このギャップを埋めるために、私たちは誘因的タスクに適した汎用的なニューロシンボリックフレームワークであるGraph of States(GoS)を紹介します。 GoSは、論理的依存関係を明示的にエンコードする因果グラフと、推論プロセスの有効な遷移を管理する状態マシンを利用する。 これらのシンボリックな制約に推論の焦点を動的に合わせることで、我々のアプローチは目的のない、制約のない探索を収束した有向探索に変換する。 2つの実世界のデータセットに対する大規模な評価は、GoSがすべてのベースラインを大幅に上回っており、複雑な帰納的タスクに対する堅牢なソリューションを提供することを示している。 コードリポジトリとすべてのプロンプト:https://anonymous.4open.science/r/Graph-of-States-5B4E。

関連論文リスト

• LogicGraph : Benchmarking Multi-Path Logical Reasoning via Neuro-Symbolic Generation and Verification [24.91906506651266]
  本稿では,マルチパス論理推論を体系的に評価する最初のベンチマークであるLogicGraphを紹介する。 このパイプラインは、高深度マルチパス推論によって定式化されたソルバ検証推論問題を導出する。 収束状態と発散状態の両方においてモデル性能を厳格に評価する参照フリー評価フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-02-24T16:04:26Z)
• Think Locally, Explain Globally: Graph-Guided LLM Investigations via Local Reasoning and Belief Propagation [5.191980417814362]
  LLMエージェントは、ほとんどの環境が静的で、必要な情報がモデルのコンテキストウインドウに適合する場合、排他的になる。 直腸型薬剤は、この体制では特に脆い。 本稿では,LLMが限定的な局所的エビデンスマイニングとラベリングを行うためのフレームワークであるEoGを提案する。
  論文  参考訳（メタデータ） (2026-01-25T17:27:19Z)
• CoG: Controllable Graph Reasoning via Relational Blueprints and Failure-Aware Refinement over Knowledge Graphs [53.199517625701475]
  CoGはDual-Process Theoryにインスパイアされたトレーニング不要のフレームワークで、直観と熟考の相互作用を模倣している。 CoGは精度と効率の両方において最先端のアプローチを著しく上回っている。
  論文  参考訳（メタデータ） (2026-01-16T07:27:40Z)
• Think Visually, Reason Textually: Vision-Language Synergy in ARC [94.15522924153264]
  ARC-AGIは、概念ルールの誘導と新しいタスクへの転送のための厳格なテストベッドである。 既存のほとんどの手法は、ARC-AGIを純粋にテキストによる推論タスクとして扱い、人間が視覚的抽象化に強く依存しているという事実を見落としている。 VLSR(Vision-Language Synergy Reasoning)とMSSC(Modality-Switch Self-Correction)の2つの相乗的戦略を導入する。 本研究は,視覚的抽象と言語的推論を一体化させることが,汎用的な人間的な知性を実現するための重要なステップであることを示唆している。
  論文  参考訳（メタデータ） (2025-11-19T18:59:04Z)
• Hallucination Detection via Internal States and Structured Reasoning Consistency in Large Language Models [7.18947815679122]
  内部状態探索と整合検証は、大きな言語モデルにおける幻覚を検出するために用いられる。 両手法のギャップを埋める統一的なフレームワークを開発する。 私たちのフレームワークは一貫して、強力なベースラインをはるかに上回ります。
  論文  参考訳（メタデータ） (2025-10-13T15:31:21Z)
• Unifying Deductive and Abductive Reasoning in Knowledge Graphs with Masked Diffusion Model [64.31242163019242]
  帰納的推論と帰納的推論は知識グラフを解析するための重要なパラダイムである。 DARKと呼ばれる知識グラフにおける帰納的・帰納的推論のための統一的なフレームワークを提案する。 DARKは, 帰納的推論タスクと帰納的推論タスクの両方において, 最先端のパフォーマンスを実現する。
  論文  参考訳（メタデータ） (2025-10-13T14:34:57Z)
• A Survey on Latent Reasoning [100.54120559169735]
  大きな言語モデル(LLM)は印象的な推論機能を示している。 中間ステップを言語化するCoT推論は、モデルの表現帯域幅を制限する。 潜在的推論は、モデルの連続的な隠れ状態に完全にマルチステップの推論を実行することで、このボトルネックに対処する。
  論文  参考訳（メタデータ） (2025-07-08T17:29:07Z)
• Reasoning Can Hurt the Inductive Abilities of Large Language Models [16.996890415549952]
  しばしば、Large Reasoning Models (LRM) で用いられるように、チェーン・オブ・シント(CoT)はそのような推論を促進すると仮定される。 隠れた人間定義ルールでゲームベースの4つの制御されたタスクを作成することで、この仮定を考察する。 CoT推論は帰納的性能を低下させる可能性があり, LRMは非推論的性能を低下させることが多い。
  論文  参考訳（メタデータ） (2025-05-30T05:24:21Z)

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。