論文の概要: CHAIRO: Contextual Hierarchical Analogical Induction and Reasoning Optimization for LLMs
- arxiv url: http://arxiv.org/abs/2604.10502v1
- Date: Sun, 12 Apr 2026 07:36:23 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-04-14 20:13:16.0576
- Title: CHAIRO: Contextual Hierarchical Analogical Induction and Reasoning Optimization for LLMs
- Title（参考訳）: ChaaiRO:LLMの文脈階層的解析誘導と推論最適化
- Authors: Haotian Lu, Yuchen Mou, Bingzhe Wu,
- Abstract要約: 本稿では,ルール誘導と決定信頼性を高めるために,類似例を活用した新しいモデレーションフレームワークを提案する。
提案手法は、アナログ検索、ルール生成、モデレーション分類のエンドツーエンド最適化を統合する。
我々のフレームワークは、より明確で、解釈可能で、適用可能なルールを生成する。
- 参考スコア（独自算出の注目度）: 10.836749658568365
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Content moderation in online platforms faces persistent challenges due to the evolving complexity of user-generated content and the limitations of traditional rule-based and machine learning approaches. While recent advances in large language models (LLMs) have enabled more sophisticated moderation via direct prompting or fine-tuning, these approaches often exhibit limited generalization, interpretability, and adaptability to unseen or ambiguous cases. In this work, we propose a novel moderation framework that leverages analogical examples to enhance rule induction and decision reliability. Our approach integrates end-to-end optimization of analogical retrieval, rule generation, and moderation classification, enabling the dynamic adaptation of moderation rules to diverse content scenarios. Through comprehensive experiments, we demonstrate that our method significantly outperforms both rule-injected fine-tuning baselines and multi-stage static RAG pipelines in terms of moderation accuracy and rule quality. Further evaluations, including human assessments and external model generalization tests, confirm that our framework produces rules with better clarity, interpretability, and applicability. These findings show that analogical example-driven methods can advance robust, explainable, and generalizable content moderation in real-world applications.
- Abstract（参考訳）: オンラインプラットフォームのコンテンツモデレーションは、ユーザ生成コンテンツの複雑化と、従来のルールベースおよび機械学習アプローチの制限により、永続的な課題に直面します。
大規模言語モデル(LLM)の最近の進歩は、直接的プロンプトや微調整によってより洗練されたモデレーションを実現しているが、これらのアプローチは、しばしば、目に見えない、曖昧なケースに対する限定的な一般化、解釈可能性、適応性を示す。
そこで本研究では,ルール誘導と決定信頼性を高めるために,類似例を活用した新たなモデレーションフレームワークを提案する。
提案手法は, 類似検索, ルール生成, モデレーション分類のエンドツーエンド最適化を統合し, 多様なコンテンツシナリオへのモデレーション規則の動的適応を可能にする。
総合的な実験を通して,本手法は規則注入型微調整ベースラインと多段静的RAGパイプラインの両方において,モデレーション精度と規則品質において有意に優れることを示した。
ヒューマンアセスメントや外部モデル一般化テストを含むさらなる評価は、我々のフレームワークがより明確で、解釈可能性、適用性のあるルールを生成することを確認します。
これらの結果は、実世界のアプリケーションにおいて、類似の例駆動手法が堅牢で説明可能な、一般化可能なコンテンツモデレーションを推し進めることができることを示している。
関連論文リスト
- Optimizing In-Context Demonstrations for LLM-based Automated Grading [31.353360036776976]
GUIDE(Grading Using Iteratively Designed Exemplars)は、経験的選択と改善を境界中心の最適化問題として再設計するフレームワークである。
物理, 化学, 教育的内容知識の実験において, GUIDE は標準的検索基準を著しく上回っていることを示す。
論文 参考訳（メタデータ） (2026-02-28T04:52:38Z) - Reasoning Palette: Modulating Reasoning via Latent Contextualization for Controllable Exploration for (V)LMs [49.66344956133349]
推論能力は、大規模な(ビジョン)言語モデルのための推論時間性能と強化学習(RL)トレーニングの両方を形作る。
本稿では,戦略的文脈化のための潜在変数をモデルに付与する新しい潜在変調フレームワークであるReasoning Paletteを提案する。
論文 参考訳（メタデータ） (2025-12-19T03:32:53Z) - Grounding Long-Context Reasoning with Contextual Normalization for Retrieval-Augmented Generation [57.97548022208733]
キー値抽出における表面的選択が精度と安定性のシフトを引き起こすことを示す。
生成前の文脈表現を適応的に標準化する戦略であるコンテキスト正規化を導入する。
論文 参考訳（メタデータ） (2025-10-15T06:28:25Z) - Transfer Learning for Classification under Decision Rule Drift with Application to Optimal Individualized Treatment Rule Estimation [50.34670342434884]
本研究では,ベイズ決定規則による後方ドリフトのモデル化手法を提案する。
穏やかな規則性条件の下では、推定器の整合性を確立し、リスク境界を導出する。
本稿では,最適な個別化処理ルールの推定に適応させることにより,本手法の幅広い適用性について述べる。
論文 参考訳（メタデータ） (2025-08-28T16:03:06Z) - DRIVE: Dynamic Rule Inference and Verified Evaluation for Constraint-Aware Autonomous Driving [37.24058519921229]
本稿では,動的ルール推論と検証評価のための新しいフレームワークDRIVEを紹介する。
D DRIVEは、ソフト制約違反率0.0%、スムーズな軌道、様々な運転シナリオにおけるより強力な一般化を実現している。
検証された評価は、現実世界のデプロイメントにおけるフレームワークの効率性、説明可能性、堅牢性をさらに示す。
論文 参考訳（メタデータ） (2025-08-06T03:56:06Z) - Feature-Based vs. GAN-Based Learning from Demonstrations: When and Why [50.191655141020505]
この調査は、デモから学ぶ機能ベースのアプローチとGANベースのアプローチの比較分析を提供する。
特徴に基づく手法とGANに基づく手法の2分法はますます曖昧になっていると我々は主張する。
論文 参考訳（メタデータ） (2025-07-08T11:45:51Z) - Generalizing Large Language Model Usability Across Resource-Constrained [0.43512163406552007]
論文は、現実世界の制約下での大規模言語モデルを一般化するための体系的な研究である。
まず、LLMが多様なモダリティをシームレスに統合することを可能にする、堅牢なテキスト中心アライメントフレームワークを導入する。
マルチモーダル設定以外にも、この論文はLLMの推論時間最適化戦略を研究している。
論文 参考訳（メタデータ） (2025-05-13T01:00:12Z) - Decoding Human Preferences in Alignment: An Improved Approach to Inverse Constitutional AI [0.0]
大規模言語モデル(LLM)を整合させるルールベースのフレームワークを開発する。
Inverse Constitutional AI (ICAI)アルゴリズムを改良し、好みのデータセットから構成を抽出する。
我々の結果は、これらの原則がより透明で適応可能なアライメント手法を促進する可能性を強調します。
論文 参考訳（メタデータ） (2025-01-28T17:59:56Z) - Revisiting GANs by Best-Response Constraint: Perspective, Methodology,
and Application [49.66088514485446]
ベストレスポンス制約(Best-Response Constraint、BRC)は、ジェネレータのディスクリミネータへの依存性を明示的に定式化する一般的な学習フレームワークである。
モチベーションや定式化の相違があっても, フレキシブルBRC法により, 様々なGANが一様に改善できることが示される。
論文 参考訳（メタデータ） (2022-05-20T12:42:41Z) - Generalization Guarantees for Imitation Learning [6.542289202349586]
模倣学習からの制御ポリシーは、しばしば新しい環境への一般化に失敗する。
本稿では,PAC-Bayesフレームワークを利用した模倣学習のための厳密な一般化保証を提案する。
論文 参考訳（メタデータ） (2020-08-05T03:04:13Z)
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。