論文の概要: Parallel LLM Reasoning for Bias-Resilient, Robust Conceptual Abstraction

• arxiv url: http://arxiv.org/abs/2605.20194v1
• Date: Sat, 04 Apr 2026 05:11:20 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-25 12:34:33.958539
• Title: Parallel LLM Reasoning for Bias-Resilient, Robust Conceptual Abstraction
• Title（参考訳）: バイアス耐性・ロバストな概念抽象化のための並列LLM推論
• Authors: Aisvarya Adeseye, Jouni Isoaho, Adeyemi Adeseye,
• Abstract要約: 本研究では,並列チャンクレベル処理とエビデンス・アンコレッド・コンソリデーションを組み合わせた構造化フレームワークを提案する。 複数のモデルタイプとサイズで実験したところ、並列処理は省略誤差を約84%削減することがわかった。 より小さなモデルは最も恩恵を受けており、信頼性とスケーラブルなテキスト分析を達成する上で、効率的な並列チャンキングと統合が重要な役割を担っていることを示唆している。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Large language models (LLMs) have been increasingly used to analyze text. However, they are often plagued with contextual reasoning limitations when analyzing long documents. When long documents are processed sequentially, early or dominant concepts can overshadow less visible but meaningful interpretations, leading to cumulative analytical bias, omission error, and over-generalization. Additionally, independently generated outputs are often merged without systematic grounding, introducing redundancy, conceptual drift, and unsupported claims. This study proposes a structured framework combining parallel chunk-level processing with evidence-anchored consolidation. Texts are first divided into semantically coherent chunks and processed independently in parallel to remove influence from earlier processing. The independently generated interpretations are then consolidated using explicit evidence anchoring and prioritization that reduces dominance and over-generalization while improving traceability. Experiments with multiple model types and sizes indicate that parallel processing significantly reduces omission error by approximately 84%, increases evidence traceability by up to 130%, and reduces unsupported claims by up to 91%. Smaller models benefited most, suggesting that efficient parallel chunking and consolidation play a critical role in achieving reliable and scalable textual analysis.
• Abstract（参考訳）: 大規模言語モデル(LLM)は、テキスト分析にますます使われている。 しかし、長い文書を分析する際に、文脈的推論の制限に悩まされることが多い。 長い文書が順次に処理されると、初期の概念や支配的な概念は、目立たないが意味のある解釈を覆い隠すことができ、累積的な分析バイアス、省略誤差、過剰な一般化をもたらす。 さらに、独立に生成された出力は、しばしば体系的な根拠なしにマージされ、冗長性、概念的ドリフト、およびサポートされたクレームが導入される。 本研究では,並列チャンクレベル処理とエビデンス・アンコレッド・コンソリデーションを組み合わせた構造化フレームワークを提案する。 テキストは最初、セマンティックなコヒーレントなチャンクに分割され、独立して処理され、以前の処理からの影響を取り除く。 独立に生成された解釈は、トレーサビリティを改善しながら優位性と過剰な一般化を減少させる明示的なエビデンスアンカリングと優先順位付けを用いて統合される。 複数のモデルタイプとサイズを用いた実験では、並列処理は省略誤差を約84%削減し、証拠のトレーサビリティを最大130%向上し、サポート対象のクレームを最大91%削減している。 より小さなモデルは最も恩恵を受けており、信頼性とスケーラブルなテキスト分析を達成する上で、効率的な並列チャンキングと統合が重要な役割を担っていることを示唆している。

関連論文リスト

• Combining Trained Models in Reinforcement Learning [0.0]
  深層強化学習(DRL)は、AtariやGoといったドメインで大きな成果を上げているが、それでも高いサンプルコストとトレーニング環境を超えて、弱い移行に悩まされている。 一般的な反応は、転送、蒸留、アンサンブル法、フェデレーショントレーニングを通じて、以前に訓練されたモデルの情報を再利用することである。 本稿では、DRLにおける事前学習知識の再利用に関する実証的研究について、PRISMA指導による体系的レビューを行う。
  論文  参考訳（メタデータ） (2026-05-04T02:37:55Z)
• PLUME: Latent Reasoning Based Universal Multimodal Embedding [52.35354073629127]
  ユニバーサルマルチモーダル埋め込み(UME)は、異種入力を単一のモデルで共有検索空間にマッピングする。 最近のアプローチでは、埋め込みを抽出する前に明確なチェーン・オブ・シント(CoT)論理を生成することにより、UMEを改善している。 PLUMEは,言語化されたCoTを連続的潜伏状態の短時間の自己回帰ロールアウトに置き換えることで,UMEを進化させる潜在的推論フレームワークである。
  論文  参考訳（メタデータ） (2026-04-02T14:04:53Z)
• Diagnosing Structural Failures in LLM-Based Evidence Extraction for Meta-Analysis [0.8193467416247519]
  レビューとメタ分析は、物語を構造化され、数値化された研究記録に変換することに頼っている。 大規模言語モデル(LLM)の急速な進歩にもかかわらず、このプロセスの構造的要件を満たすことができるかどうかは不明だ。 本稿では,LLMに基づくエビデンス抽出をスキーマ制約クエリの進行として評価する構造的診断フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-02-11T14:09:43Z)
• Faithful Summarisation under Disagreement via Belief-Level Aggregation [10.334277776439423]
  言語生成から信念レベルアグリゲーションを分離する不一致認識合成パイプラインを導入する。 以上の結果から,大規模モデルは世代ごとの集約処理において,信念レベルアグリゲーションに十分一致するが,アーキテクチャや能力の面では安定ではないことが示唆された。 対照的に、信念レベルのアグリゲーションと単純なプロンプトの利得が組み合わさって、モデル間の相反する性能を一貫して強く認識する。
  論文  参考訳（メタデータ） (2026-01-08T12:40:47Z)
• Resolving Evidence Sparsity: Agentic Context Engineering for Long-Document Understanding [49.26132236798123]
  視覚言語モデル(VLM)は、文書理解における主要なアプローチになりつつある。 本稿では,粗いプロセスにおいて,検索者と4つの協調エージェントを編成するマルチエージェントフレームワークSLEUTHを提案する。 このフレームワークは、検索したページ内の重要なテキストおよび視覚的手がかりを特定し、テーブルやチャートなどの健全な視覚的エビデンスをフィルタし、クエリを分析して推論戦略を考案する。
  論文  参考訳（メタデータ） (2025-11-28T03:09:40Z)
• Compose and Fuse: Revisiting the Foundational Bottlenecks in Multimodal Reasoning [49.17801010041155]
  MLLM(Multimodal large language model)は、テキスト、ビジョン、オーディオなどの多様な入力を統合することで推論を強化することを約束する。 しかし、追加のモダリティがパフォーマンスを損なうかどうかについての報告は相反する。 我々は、多モーダル推論を6つの相互作用パターンに分類し、事実がどのようにモダリティに分散され、論理的に組み合わせられるかを決定する。
  論文  参考訳（メタデータ） (2025-09-28T08:46:11Z)
• Context-Aware Hierarchical Merging for Long Document Summarization [56.96619074316232]
  本論文では,階層的なマージをソース文書からコンテキストと統合する手法を提案する。 法的および物語的領域を表すデータセットの実験結果は、文脈的拡張がゼロショットと階層的な融合ベースラインを一貫して上回っていることを示している。
  論文  参考訳（メタデータ） (2025-02-03T01:14:31Z)
• Factual Error Correction for Abstractive Summaries Using Entity Retrieval [57.01193722520597]
  本稿では,エンティティ検索後処理に基づく効率的な事実誤り訂正システムRFECを提案する。 RFECは、原文と対象要約とを比較して、原文から証拠文を検索する。 次に、RFECは、エビデンス文を考慮し、要約中のエンティティレベルのエラーを検出し、エビデンス文から正確なエンティティに置換する。
  論文  参考訳（メタデータ） (2022-04-18T11:35:02Z)

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。