論文の概要: ACIL: Auto Chain of Thoughts for In-Context Learning
- arxiv url: http://arxiv.org/abs/2605.17088v1
- Date: Sat, 16 May 2026 17:10:13 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-05-19 17:57:47.603828
- Title: ACIL: Auto Chain of Thoughts for In-Context Learning
- Title（参考訳）: ACIL: 文脈内学習のための思考のオートチェイン
- Authors: Rui Chu,
- Abstract要約: In-Context Learning(ICL)を改善するためのAuto-CoT(Auto-Chain-of-Thought)フレームワークを提案する。
Auto-CoTは、入力出力例の推論チェーンを生成し、構造化中間説明でプロンプトコンテキストを強化し、無関係または低品質なデモを除去する。
複数の推論タスクにまたがる実験により、提案するフレームワークは、明確な中間推論ガイダンスを提供することで、ICLの性能を向上させることが示された。
- 参考スコア（独自算出の注目度）: 1.4262320227703154
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Recent advances in large language models (LLMs) have shown that Chain-of-Thought (CoT) reasoning can substantially improve performance on complex reasoning tasks. At the same time, In-Context Learning (ICL) has become an important mechanism for adapting LLMs to new tasks without updating model parameters, using only examples provided in the prompt. However, standard ICL often struggles on tasks that require multi-step reasoning, because the demonstrations usually contain only input-output pairs and lack explicit intermediate reasoning steps. This paper introduces an Automatic Chain-of-Thought (Auto-CoT) framework to improve ICL by automatically constructing reasoning-enhanced demonstrations. Auto-CoT generates reasoning chains for input-output examples, augments the prompt context with structured intermediate explanations, and removes irrelevant or low-quality demonstrations through a systematic selection process. By incorporating high-quality reasoning examples into the ICL prompt, Auto-CoT guides the model toward more reliable reasoning and improves prediction accuracy. Experiments across multiple reasoning tasks demonstrate that the proposed framework improves ICL performance by providing explicit intermediate reasoning guidance.
- Abstract（参考訳）: 大規模言語モデル(LLM)の最近の進歩は、Chain-of-Thought(CoT)推論が複雑な推論タスクの性能を大幅に改善できることを示している。
同時に、ICL(In-Context Learning)はモデルパラメータを更新せずに新しいタスクにLLMを適用するための重要なメカニズムとなっている。
しかし、標準的なICLは、通常、インプット・アウトプット・ペアのみを含み、明確な中間推論ステップが欠如しているため、マルチステップ推論を必要とするタスクに苦労することが多い。
本稿では、推論強化された実演を自動構築することにより、ICLを改善するためのAutomatic Chain-of-Thought(Auto-CoT)フレームワークを提案する。
Auto-CoTは、入力出力例の推論チェーンを生成し、構造化中間説明でプロンプトコンテキストを拡張し、体系的な選択プロセスを通じて無関係または低品質なデモンストレーションを取り除く。
高品質な推論例をICLプロンプトに組み込むことで、Auto-CoTはモデルの信頼性を高め、予測精度を向上させる。
複数の推論タスクにまたがる実験により、提案するフレームワークは、明確な中間推論ガイダンスを提供することで、ICLの性能を向上させることが示された。
関連論文リスト
- Many-Shot CoT-ICL: Making In-Context Learning Truly Learn [58.439517684779936]
In-context Learning (ICL)は、パラメータを更新せずにプロンプト内のデモを条件にすることで、大きな言語モデルを新しいタスクに適応させる。
提案手法は,標準のマルチショット・ルールが転送されないことを示すために,マルチショット・チェーン・オブ・コンテクスト・ラーニング(CoT-ICL)について検討する。
論文 参考訳（メタデータ） (2026-05-13T13:30:12Z) - Enhancing Multimodal In-Context Learning via Inductive-Deductive Reasoning [65.15766304205657]
In-context Learning (ICL) は、大規模なモデルをいくつかの例を使ってタスクに適応させるが、視覚言語モデル(VLM)への拡張は脆弱である。
我々の分析によると、基本的な限界は帰納的ギャップにあり、モデルはしばしば欠陥のある推論から正しい答えを導き出す。
帰納的帰納的プロセスとしてマルチモーダル ICL を再構成する枠組みを導入する。
論文 参考訳（メタデータ） (2026-05-04T09:18:19Z) - Beyond the Prompt in Large Language Models: Comprehension, In-Context Learning, and Chain-of-Thought [15.598263332303612]
大規模言語モデル(LLM)は、様々なタスクにまたがる卓越した習熟度を示した。
本研究は,3つの重要な疑問に対処することによって,これらの観測の基礎を掘り下げる。
論文 参考訳（メタデータ） (2026-02-16T10:57:26Z) - Reasoning Beyond Chain-of-Thought: A Latent Computational Mode in Large Language Models [39.5490415037017]
CoT(Chain-of-Thought)プロンプトにより,大規模言語モデル(LLM)の推論性能が向上した。
なぜそれが機能するのか、そしてそれが大きな言語モデルで推論をトリガーするユニークなメカニズムであるかどうかは不明だ。
論文 参考訳（メタデータ） (2026-01-12T23:01:21Z) - Self-Anchor: Large Language Model Reasoning via Step-by-step Attention Alignment [7.411619300683893]
本稿では、推論の固有の構造を利用して注意を喚起する新しいパイプラインであるSelf-Anchorを提案する。
Self-Anchorは推論軌跡を構造化された計画に分解し、モデルの注意を最も関連する推論ステップに自動的に合わせる。
特に、Self-Anchorは、非推論モデルと特別な推論モデルの間のパフォーマンスギャップを著しく減らします。
論文 参考訳（メタデータ） (2025-10-03T17:56:33Z) - Implicit Reasoning in Large Language Models: A Comprehensive Survey [67.53966514728383]
大規模言語モデル(LLM)は、幅広いタスクにまたがる強力な一般化を実証している。
最近の研究は、暗黙の推論に拍車をかけた、明示的な思考の連鎖から注意を向けている。
本調査では,表現形式から計算戦略へ焦点を移し,実行パラダイムを中心とした分類を紹介した。
論文 参考訳（メタデータ） (2025-09-02T14:16:02Z) - Think Beyond Size: Adaptive Prompting for More Effective Reasoning [0.0]
本稿では,動的かつ反復的なフレームワークであるAdaptive Promptingを紹介する。
その結果、Adaptive Promptingは、算術的推論(GSM8K、MultiArithm)、論理的推論、コモンセンスタスクなど、様々な推論ベンチマークのパフォーマンスを著しく向上させることを示した。
提案手法は,計算効率を維持しつつ,GPT-4などの大規模モデルと競合する性能を実現する。
論文 参考訳（メタデータ） (2024-10-10T17:14:36Z) - Enhancing Chain-of-Thoughts Prompting with Iterative Bootstrapping in Large Language Models [81.01397924280612]
大規模言語モデル (LLM) は、ステップ・バイ・ステップ・チェーン・オブ・シークレット (CoT) をデモンストレーションとして組み込むことで、様々な推論タスクにおいて高い効果的な性能を達成することができる。
本稿では,イターCoT (Iterative bootstrapping in Chain-of-Thoughts Prompting) を導入する。
論文 参考訳（メタデータ） (2023-04-23T13:54:39Z)
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。