論文の概要: Enhancing Structural Mapping with LLM-derived Abstractions for Analogical Reasoning in Narratives

• arxiv url: http://arxiv.org/abs/2603.29997v1
• Date: Tue, 31 Mar 2026 16:57:11 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-01 15:25:03.873306
• Title: Enhancing Structural Mapping with LLM-derived Abstractions for Analogical Reasoning in Narratives
• Title（参考訳）: 物語における解析的推論のためのLLMからの抽象化による構造マッピングの強化
• Abstract要約: 解析的推論は、問題解決と議論における人間の一般化の鍵となる要因である。 我々は,物語を単位に分解し,それらの単位を抽象化し,物語を横断する要素をアライメントして類似的な推論を行うマッピングコンポーネントに渡す,YARNというモジュラーフレームワークを提案する。 実験の結果、抽象化はモデル性能を一貫して改善し、結果としてエンドツーエンドのLCMベースラインよりも競争力や性能が向上することがわかった。
• 参考スコア（独自算出の注目度）: 13.352345916789337
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Analogical reasoning is a key driver of human generalization in problem-solving and argumentation. Yet, analogies between narrative structures remain challenging for machines. Cognitive engines for structural mapping are not directly applicable, as they assume pre-extracted entities, whereas LLMs' performance is sensitive to prompt format and the degree of surface similarity between narratives. This gap motivates a key question: What is the impact of enhancing structural mapping with LLM-derived abstractions on their analogical reasoning ability in narratives? To that end, we propose a modular framework named YARN (Yielding Abstractions for Reasoning in Narratives), which uses LLMs to decompose narratives into units, abstract these units, and then passes them to a mapping component that aligns elements across stories to perform analogical reasoning. We define and operationalize four levels of abstraction that capture both the general meaning of units and their roles in the story, grounded in prior work on framing. Our experiments reveal that abstractions consistently improve model performance, resulting in competitive or better performance than end-to-end LLM baselines. Closer error analysis reveals the remaining challenges in abstraction at the right level, in incorporating implicit causality, and an emerging categorization of analogical patterns in narratives. YARN enables systematic variation of experimental settings to analyze component contributions, and to support future work, we make the code for YARN openly available.
• Abstract（参考訳）: 解析的推論は、問題解決と議論における人間の一般化の鍵となる要因である。 しかし、物語構造間の類似性は依然として機械にとって困難である。 構造マッピングのための認知エンジンは、事前抽出されたエンティティを仮定するため、直接適用されないが、LLMの性能は、物語間のプロンプトフォーマットと表面類似性の程度に敏感である。 LLM由来の抽象概念による構造マッピングの強化が物語の類推能力に与える影響は何か? そこで我々は,物語を単位に分解し,これらの単位を抽象化し,物語を横断する要素をアライメントして類似的な推論を行うマッピングコンポーネントに渡す,YARN (Yielding Abstractions for Reasoning in Narratives) というモジュラーフレームワークを提案する。 我々は、ユニットの一般的な意味とストーリーにおけるそれらの役割の両方を捉える4つのレベルの抽象化を定義し、運用する。 実験の結果、抽象化はモデル性能を一貫して改善し、結果としてエンドツーエンドのLCMベースラインよりも競争力や性能が向上することがわかった。 より近い誤り分析は、暗黙の因果関係を取り入れ、物語における類似パターンの分類が出現する際の、適切なレベルでの抽象の残りの課題を明らかにする。 YARNは、コンポーネントのコントリビューションを分析し、将来の作業をサポートするために、実験的な設定の体系的なバリエーションを可能にします。

関連論文リスト

• Words as Difference Makers: How Large Language Models Determine Causal Structure in Text [0.0]
  私は、大きな言語モデル(LLM)は差分論理に基づく特定の帰納的アプローチを採用していると論じます。 LLMの特定のアーキテクチャ特性を分析し、変動誘導におけるそれらの役割を解明する。
  論文  参考訳（メタデータ） (2026-06-21T10:40:47Z)
• The Storyteller in the Model: Narrative Pattern Inheritance, Escalation Dynamics, and Alignment Governance in LLMs [1.3112847740767446]
  人間によるテキストに埋め込まれた物語的慣行は、体系的な行動的影響の源として、めったに検討されない。 著者らは,本論文において,主人公,アンタゴニスト,アンダードッグなどの古参者の役割を含む,人間の著作に内在するストーリーテリングパターンが,訓練中に吸収されるか否かを考察した。 まず、LCMは、個別に推論するのではなく、トレーニングデータから統計的パターンを再現する。次に、梅毒や騙しなど、測定可能な潜伏特性は、関係のないプロンプトで確実に現れる。第三に、狭い物語課題の微調整は、そのタスクを超えて意図しない行動変化を引き起こす可能性がある。
  論文  参考訳（メタデータ） (2026-05-13T22:22:04Z)
• NoisyCausal: A Benchmark for Evaluating Causal Reasoning Under Structured Noise [33.130357221784166]
  自然言語の因果推論には、関連する変数を特定し、それらの相互作用を理解し、効果や介入について推論する必要がある。 構造雑音下での因果推論を評価するための新しいベンチマークであるNoisyCausalを紹介する。 これらの課題に対処するために,LLMと明示的な因果構造を組み合わせたモジュラー推論フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-05-05T21:26:01Z)
• When Models Know More Than They Say: Probing Analogical Reasoning in LLMs [5.76923079935053]
  アナロジカル推論は、物語理解に不可欠な中核的な認知機能である。 モデルが探索した表現と、物語の類似を検知する際の引き起こし性能を比較した。
  論文  参考訳（メタデータ） (2026-04-04T22:00:22Z)
• Emergent Structured Representations Support Flexible In-Context Inference in Large Language Models [77.98801218316505]
  大型言語モデル(LLM)は、人間のような推論を示唆する創発的な行動を示す。 テキスト内概念推論におけるLLMの内部処理について検討する。
  論文  参考訳（メタデータ） (2026-02-08T03:14:39Z)
• BACH-V: Bridging Abstract and Concrete Human-Values in Large Language Models [13.750822025397904]
  本稿では,概念的理解を3つの能力に分解する抽象化基盤フレームワークを提案する。 人間の価値観をテストベッドとして利用し、探索(内部アクティベーションにおける値トレースの検出)とステアリング(振る舞いを変えるための表現の修正)を採用する。 その結果,具体的な事象の物語や意思決定の推論において,抽象的価値記述のみに基づいて訓練された診断プローブが同一の値を確実に検出できることが判明した。
  論文  参考訳（メタデータ） (2026-01-20T14:26:58Z)
• Failure Modes of LLMs for Causal Reasoning on Narratives [51.19592551510628]
  世界の知識と論理的推論の相互作用について検討する。 最先端の大規模言語モデル(LLM)は、しばしば表面的な一般化に依存している。 タスクの単純な再構成により、より堅牢な推論行動が引き起こされることを示す。
  論文  参考訳（メタデータ） (2024-10-31T12:48:58Z)
• 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)
• Categorical Syllogisms Revisited: A Review of the Logical Reasoning Abilities of LLMs for Analyzing Categorical Syllogism [62.571419297164645]
  本稿では,分類的シロジズムを解析するための大規模言語モデルの論理的推論能力に関する先行研究を体系的に概説する。 まず、純粋に論理的な観点から分類的シロジズムの可能なバリエーションについて検討する。 次に、既存のデータセットでテストされた基本的な設定(ムードとフィギュア)を調べます。
  論文  参考訳（メタデータ） (2024-06-26T21:17:20Z)
• How Abstract Is Linguistic Generalization in Large Language Models? Experiments with Argument Structure [2.530495315660486]
  本研究では,事前学習したトランスフォーマーに基づく大規模言語モデルがコンテキスト間の関係を表現する程度について検討する。 LLMは、関連する文脈間の新しい名詞引数の分布を一般化する上で、よく機能することがわかった。 しかし、LCMは事前学習中に観測されていない関連するコンテキスト間の一般化に失敗する。
  論文  参考訳（メタデータ） (2023-11-08T18:58:43Z)
• ARN: Analogical Reasoning on Narratives [13.707344123755126]
  我々は、物語要素を用いて表面マッピングとシステムマッピングを作成する、アナロジーの支配的理論を運用するフレームワークを開発する。 すべてのLLMがほぼ類似点を認識できるが、最大でもゼロショット環境では極端に類似点に苦戦している。
  論文  参考訳（メタデータ） (2023-10-02T08:58:29Z)
• Inducing Causal Structure for Abstractive Text Summarization [76.1000380429553]
  要約データの因果構造を誘導する構造因果モデル(SCM)を導入する。 本稿では因果的要因を模倣できる因果的表現を学習するための因果性インスピレーション付き系列列列モデル(CI-Seq2Seq)を提案する。 2つの広く使われているテキスト要約データセットの実験結果は、我々のアプローチの利点を示している。
  論文  参考訳（メタデータ） (2023-08-24T16:06:36Z)
• Modeling Hierarchical Reasoning Chains by Linking Discourse Units and Key Phrases for Reading Comprehension [80.99865844249106]
  本稿では,論理的推論の基盤として,対話レベルと単語レベルの両方の文脈を扱う総合グラフネットワーク(HGN)を提案する。 具体的には、ノードレベルの関係とタイプレベルの関係は、推論過程におけるブリッジと解釈できるが、階層的な相互作用機構によってモデル化される。
  論文  参考訳（メタデータ） (2023-06-21T07:34:27Z)
• Physics of Language Models: Part 1, Learning Hierarchical Language Structures [51.68385617116854]
  トランスフォーマーベースの言語モデルは効率的だが複雑であり、内部の動作や推論メカニズムを理解することは大きな課題である。 本稿では,長文を生成可能な階層規則を生成する合成CFGのファミリーを紹介する。 我々は、GPTのような生成モデルがCFG定義階層を正確に学習し、推論し、それに基づいて文を生成することを実証する。
  論文  参考訳（メタデータ） (2023-05-23T04:28:16Z)

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。