論文の概要: Derivation Prompting: A Logic-Based Method for Improving Retrieval-Augmented Generation
- arxiv url: http://arxiv.org/abs/2605.14053v1
- Date: Wed, 13 May 2026 19:20:16 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-05-15 21:45:34.475958
- Title: Derivation Prompting: A Logic-Based Method for Improving Retrieval-Augmented Generation
- Title（参考訳）: デリベーション・プロンプティング:検索拡張生成を改善する論理的手法
- Authors: Ignacio Sastre, Guillermo Moncecchi, Aiala Rosá,
- Abstract要約: 本稿では,Retrieval-Augmented Generationフレームワークの生成ステップのための新しいプロンプト技術であるDrivation Promptingを紹介する。
論理導出にインスパイアされたこの方法は、事前定義された規則の体系的な適用を通じて、初期仮説から結論を導出することを含む。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The application of Large Language Models to Question Answering has shown great promise, but important challenges such as hallucinations and erroneous reasoning arise when using these models, particularly in knowledge-intensive, domain-specific tasks. To address these issues, we introduce Derivation Prompting, a novel prompting technique for the generation step of the Retrieval-Augmented Generation framework. Inspired by logic derivations, this method involves deriving conclusions from initial hypotheses through the systematic application of predefined rules. It constructs a derivation tree that is interpretable and adds control over the generation process. We applied this method in a specific case study, significantly reducing unacceptable answers compared to traditional RAG and long-context window methods.
- Abstract（参考訳）: 質問回答に対する大規模言語モデルの応用は大きな可能性を秘めているが、特に知識集約的なドメイン固有のタスクにおいて、これらのモデルを使用する際に幻覚や誤った推論といった重要な課題が発生する。
これらの問題に対処するために、我々は、Retrieval-Augmented Generationフレームワークの生成ステップのための新しいプロンプト技術であるDrivation Promptingを紹介する。
論理導出にインスパイアされたこの方法は、事前定義された規則の体系的な適用を通じて、初期仮説から結論を導出することを含む。
解釈可能な導出木を構築し、生成プロセスの制御を追加する。
本手法を特定のケーススタディに適用し,従来のRAG法やLong-context window法と比較して,許容できない回答を著しく削減した。
関連論文リスト
- AdapTime: Enabling Adaptive Temporal Reasoning in Large Language Models [65.97075015662318]
AdapTimeは適応的な時間的推論手法であり、入力コンテキストに基づいて推論ステップを動的に実行する。
最先端のLCMとシームレスに統合され、外部サポートに頼ることなく、時間的推論能力を大幅に向上する。
論文 参考訳（メタデータ） (2026-04-27T08:34:40Z) - KBQA-R1: Reinforcing Large Language Models for Knowledge Base Question Answering [64.62317305868264]
テキスト模倣から強化学習によるインタラクション最適化へパラダイムをシフトするフレームワークである textbfKBQA-R1 を提案する。
KBQAを多ターン決定プロセスとして扱うことで,行動のリストを用いて知識ベースをナビゲートすることを学ぶ。
WebQSP、GrailQA、GraphQuestionsの実験では、KBQA-R1が最先端のパフォーマンスを実現している。
論文 参考訳（メタデータ） (2025-12-10T17:45:42Z) - A Layered Intuition -- Method Model with Scope Extension for LLM Reasoning [0.11844977816228043]
本稿では,概念をScope Extensionと統合した直観的メソッド階層モデルにまとめ,統合する。
直観に基づく思考は、素早い第一反応の答えを提供するが、方法に基づく思考は、質問と解決策を伝達可能な推論単位に分離する。
スコープ拡張は、垂直(解析のため)、水平(並列および一般化された問題)、そして初めて時間的および空間的拡張を含む適用性を広げるために適用される。
論文 参考訳（メタデータ） (2025-10-12T13:14:23Z) - Step-Aware Policy Optimization for Reasoning in Diffusion Large Language Models [57.42778606399764]
拡散言語モデル(dLLM)は、テキスト生成に有望で非自己回帰的なパラダイムを提供する。
現在の強化学習アプローチは、しばしばスパースで結果に基づく報酬に頼っている。
これは推論の自然な構造との根本的なミスマッチに由来すると我々は主張する。
論文 参考訳（メタデータ） (2025-10-02T00:34:15Z) - FiDeLiS: Faithful Reasoning in Large Language Model for Knowledge Graph Question Answering [46.41364317172677]
大規模言語モデル(LLM)は、しばしば誤ったあるいは幻覚的な応答を生成することで挑戦される。
本稿では,知識グラフから得られた検証可能な推論ステップに回答を固定することで,LLM応答の事実性を改善するための統合フレームワークFiDeLiSを提案する。
トレーニング不要のフレームワークである本手法は,性能の向上だけでなく,異なるベンチマークにおける現実性や解釈可能性の向上にも寄与する。
論文 参考訳（メタデータ） (2024-05-22T17:56:53Z) - Large Language Models as Analogical Reasoners [155.9617224350088]
CoT(Chain-of- Thought)は、言語モデルのプロンプトとして、推論タスク全体で素晴らしいパフォーマンスを示す。
そこで本稿では,大規模言語モデルの推論プロセスを自動的にガイドする,新たなプロンプト手法であるアナログプロンプトを導入する。
論文 参考訳（メタデータ） (2023-10-03T00:57:26Z)
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。