論文の概要: Abductive Reasoning with Probabilistic Commonsense

• arxiv url: http://arxiv.org/abs/2605.08011v1
• Date: Fri, 08 May 2026 17:01:52 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-11 19:43:39.223833
• Title: Abductive Reasoning with Probabilistic Commonsense
• Title（参考訳）: 確率的常識による帰納的推論
• Authors: Joseph Cotnareanu, Chiara Roverato, Han Zhou, Didier Chetelat, Yingxue Zhang, Mark Coates,
• Abstract要約: 個人独自のコモンセンスの信念を観察するために, LLM と形式的解法を用いた新しいアルゴリズムである Probabilistic Abductive CommonSense (PACS) を導入する。 実証的には、PACSはチェーン・オブ・ソート推論、先行したニューロシンボリックな手法、複数のベンチマークでの検索ベースのアプローチよりも優れている。
• 参考スコア（独自算出の注目度）: 26.60119291956742
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Recent efforts to improve the reasoning abilities of Large Language Models (LLMs) have focused on integrating formal logic solvers within neurosymbolic frameworks. A key challenge is that formal solvers lack commonsense world knowledge, preventing them from making reasoning steps that humans find obvious. Prior methods address this by using LLMs to supply missing commonsense assumptions, but these approaches implicitly assume universal agreement on such commonsense facts. In reality, commonsense beliefs vary across individuals. We propose a probabilistic framework for abductive commonsense reasoning that explicitly models this variation, aiming to determine whether most people would judge a statement as true or false. We introduce Probabilistic Abductive CommonSense (PACS), a novel algorithm that uses an LLM and a formal solver to sample proofs as observations of individuals' distinct commonsense beliefs, and aggregates conclusions across these samples. Empirically, PACS outperforms chain-of-thought reasoning, prior neurosymbolic methods, and search-based approaches across multiple benchmarks.
• Abstract（参考訳）: 大規模言語モデル(LLM)の推論能力を改善するための最近の取り組みは、ニューロシンボリックフレームワークにおける形式論理解法の統合に焦点を当てている。 重要な課題は、フォーマルな問題解決者が常識的な世界知識を欠いていることだ。 従来の手法では、LLMを用いて、不足するコモンセンスの仮定を供給しているが、これらのアプローチは、そのようなコモンセンスの事実について普遍的な合意を暗黙的に仮定している。 実際には、常識的信念は個人によって異なる。 本稿では,この変化を明示的にモデル化した帰納的コモンセンス推論の確率的枠組みを提案する。 確率的帰納的常識(PACS, Probabilistic Abductive CommonSense)は, LLM と形式的解法を用いて個人独自のコモンセンスの信念を観察し,それらの結論を集約する新しいアルゴリズムである。 実証的には、PACSはチェーン・オブ・ソート推論、先行したニューロシンボリックな手法、複数のベンチマークでの検索ベースのアプローチよりも優れている。

関連論文リスト

• Humans and LLMs Diverge on Probabilistic Inferences [25.525228660836024]
  ProbCOPAは、英語で210個の手作り確率的推論のデータセットで、それぞれ25～30人の被験者による推測の可能性について注釈を付ける。 人間の反応は段階的に変化しており、データセットの推測の確率的判断が明らかになる。 これらの判断と8つの最先端推論LPMからの反応を比較することで、モデルが常に人間のような分布を生成できないことを示す。
  論文  参考訳（メタデータ） (2026-02-26T23:00:41Z)
• A Novel Data-Dependent Learning Paradigm for Large Hypothesis Classes [4.299934797034146]
  実験的な推定値の一様収束を真の損失に導くには大きすぎる候補モデルの集合を用いて学習する一般的な課題に対処する。 本稿では,経験的データのより強力な取り込みと,事前の仮定に基づくアルゴリズムによる決定の少ない学習パラダイムを提案する。
  論文  参考訳（メタデータ） (2025-11-13T06:02:55Z)
• CLATTER: Comprehensive Entailment Reasoning for Hallucination Detection [60.98964268961243]
  我々は,系統的かつ包括的な推論プロセスを実行するためのモデルを導くことで,モデルがよりきめ細やかで正確な絞り込み決定を実行できることを提案する。 我々は,(i)クレームの分解,(ii)サブクレームの属性と包含分類,および(iii)集約分類から成る3段階の推論プロセスを定義し,そのような導出推論が実際に幻覚検出の改善をもたらすことを示す。
  論文  参考訳（メタデータ） (2025-06-05T17:02:52Z)
• Hypothesis-Driven Theory-of-Mind Reasoning for Large Language Models [76.6028674686018]
  エージェントの精神状態を追跡するための推論時間推論アルゴリズムである思考トレースを導入する。 提案アルゴリズムは,ベイズ理論をモデルとした。 本研究は,様々なベンチマークにおける思考トレーシングを評価し,大幅な性能向上を実証した。
  論文  参考訳（メタデータ） (2025-02-17T15:08:50Z)
• 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)
• Prototype-based Aleatoric Uncertainty Quantification for Cross-modal Retrieval [139.21955930418815]
  クロスモーダル検索手法は、共通表現空間を共同学習することにより、視覚と言語モダリティの類似性関係を構築する。 しかし、この予測は、低品質なデータ、例えば、腐敗した画像、速いペースの動画、詳細でないテキストによって引き起こされるアレタリック不確実性のために、しばしば信頼性が低い。 本稿では, 原型に基づくAleatoric Uncertainity Quantification (PAU) フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-09-29T09:41:19Z)
• Language Models Are Greedy Reasoners: A Systematic Formal Analysis of Chain-of-Thought [10.524051272257614]
  大規模言語モデル(LLM)は、チェーン・オブ・シークレット・プロンプトが与えられた顕著な推論能力を示している。 本稿では, PrOntoQAと呼ばれる合成質問応答データセットを提案し, それぞれの例を合成世界モデルとして生成する。 これにより、生成された連鎖を形式解析の象徴的な証明に解析することができる。
  論文  参考訳（メタデータ） (2022-10-03T21:34:32Z)

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。