論文の概要: When Models Know More Than They Say: Probing Analogical Reasoning in LLMs

• arxiv url: http://arxiv.org/abs/2604.03877v1
• Date: Sat, 04 Apr 2026 22:00:22 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-07 15:49:18.810015
• Title: When Models Know More Than They Say: Probing Analogical Reasoning in LLMs
• Title（参考訳）: モデルが語る以上のことを知っている時:LLMのアナロジー推論
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 5.76923079935053
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Analogical reasoning is a core cognitive faculty essential for narrative understanding. While LLMs perform well when surface and structural cues align, they struggle in cases where an analogy is not apparent on the surface but requires latent information, suggesting limitations in abstraction and generalisation. In this paper we compare a model's probed representations with its prompted performance at detecting narrative analogies, revealing an asymmetry: for rhetorical analogies, probing significantly outperforms prompting in open-source models, while for narrative analogies, they achieve a similar (low) performance. This suggests that the relationship between internal representations and prompted behavior is task-dependent and may reflect limitations in how prompting accesses available information.
• Abstract（参考訳）: 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。 LLMは、表面および構造的な手がかりが整列するときによく機能するが、表面上の類似が明らかでないが潜時情報を必要とする場合、抽象と一般化の制限を示唆する。 本稿では,モデルによる探索された表現と,非対称性を呈し,非対称性を呈示する。レトリック的類似では,オープンソースモデルでは顕著に優れるが,物語的類似では同様の(低い)性能が得られる。 これは、内部表現と誘導行動の関係がタスク依存であり、利用可能な情報にアクセスする方法の制限を反映する可能性があることを示唆している。

関連論文リスト

• Cognitive Profiling of LRMs' Reasoning Traces Using Bloom's Taxonomy [51.08110837378928]
  我々はブルームの分類学のレンズを通して推論ステップの自動アノテーションのためのフレームワークを導入する。 モデルとデータセットをまたいだ大規模な分析を行い、モデルとタスク間の思考パターンの類似点と相違点を明らかにします。 本研究は, LRMにおける思考パターンを解析するための微細な枠組みを確立し, 推論品質を向上させるための実用的な洞察を提供する。
  論文  参考訳（メタデータ） (2026-08-24T12:55:51Z)
• Enhancing Structural Mapping with LLM-derived Abstractions for Analogical Reasoning in Narratives [13.352345916789337]
  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。
  論文  参考訳（メタデータ） (2026-03-31T16:57:11Z)
• Farther the Shift, Sparser the Representation: Analyzing OOD Mechanisms in LLMs [100.02824137397464]
  難易度が増大する入力に遭遇した場合,大規模言語モデルが内部表現をどのように適応するかを検討する。 タスクの難易度が増大するにつれて、LLMの最後の隠れ状態は実質的にスペーサーとなる。 この空間性-微分的関係は、様々なモデルや領域で観測可能である。
  論文  参考訳（メタデータ） (2026-03-03T18:48:15Z)
• The Curious Case of Analogies: Investigating Analogical Reasoning in Large Language Models [22.609819017261632]
  分析的推論は人間の認知の中心であり、様々な知的活動の重要な基盤となっている。 以前の研究で、LLMはタスクパターンや表面レベルの概念を表現できることが示されたが、これらのモデルが高レベルのリレーショナル概念をエンコードできるかどうかは不明だ。
  論文  参考訳（メタデータ） (2025-11-25T14:23:58Z)
• Modeling Understanding of Story-Based Analogies Using Large Language Models [1.4999444543328293]
  大規模言語モデルの最近の進歩は、様々なタスクにおける人間の認識のマッチングに近づきつつある。 これらのモデルは、アナログの検出とマッピングにおいて、人間のパフォーマンスとどの程度うまく一致しますか?
  論文  参考訳（メタデータ） (2025-07-15T03:40:21Z)
• LogiDynamics: Unraveling the Dynamics of Inductive, Abductive and Deductive Logical Inferences in LLM Reasoning [74.0242521818214]
  本稿では,大言語モデル(LLM)におけるインダクティブ(システム1)と帰納的/帰納的(システム2)の推論の比較力学を体系的に検討する。 我々は、制御されたアナログ推論環境、多様度(テキスト、視覚、記号)、難易度、タスク形式(MCQ/フリーテキスト)を利用する。 我々の分析によると、System 2のパイプラインは一般的に、特に視覚的/象徴的なモダリティや難しいタスクにおいて優れており、System 1はテキストやより簡単な問題に対して競争力がある。
  論文  参考訳（メタデータ） (2025-02-16T15:54:53Z)
• Self-supervised Analogical Learning using Language Models [59.64260218737556]
  自己教師型アナログ学習フレームワークであるSALを提案する。 SALは人間の類推過程を模倣し、高品質な記号解を明示的に伝達するようモデルを訓練する。 得られたモデルは、幅広い推論ベンチマークでベース言語モデルより優れていることを示す。
  論文  参考訳（メタデータ） (2025-02-03T02:31:26Z)
• 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)
• LLMs as Models for Analogical Reasoning [14.412456982731467]
  アナロジカル推論は人間の認知と学習の基本である。 近年の研究では、大きな言語モデルが類似の推論タスクにおいて人間と一致することが示されている。
  論文  参考訳（メタデータ） (2024-06-19T20:07:37Z)
• Distributional Associations vs In-Context Reasoning: A Study of Feed-forward and Attention Layers [49.80959223722325]
  本研究では,大規模言語モデルにおけるフィードフォワード層とアテンション層との区別について検討する。 フィードフォワード層はビッグラムのような単純な分布関係を学習する傾向があり、注意層は文脈内推論にフォーカスする。
  論文  参考訳（メタデータ） (2024-06-05T08:51:08Z)
• 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)
• ANALOGYKB: Unlocking Analogical Reasoning of Language Models with A Million-scale Knowledge Base [51.777618249271725]
  ANALOGYKBは、既存の知識グラフ(KGs)から派生した100万スケールのアナロジー知識ベースである 1)KGから直接抽出できる同一関係のアナロジー、2)大きな言語モデル(LLM)によって実現される選択とフィルタリングパイプラインと識別される類似関係のアナロジーである。
  論文  参考訳（メタデータ） (2023-05-10T09:03:01Z)

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。