論文の概要: Strategy-Induct: Task-Level Strategy Induction for Instruction Generation

• arxiv url: http://arxiv.org/abs/2605.20924v1
• Date: Wed, 20 May 2026 09:10:43 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-21 19:19:56.59092
• Title: Strategy-Induct: Task-Level Strategy Induction for Instruction Generation
• Title（参考訳）: ストラテジーインダクション:命令生成のためのタスクレベルストラテジーインジェクション
• Authors: Po-Chun Chen, Hen-Hsen Huang, Hsin-Hsi Chen,
• Abstract要約: ストラテジーインダクト(Strategy-Induct)は、少数の例題のみからタスクレベルの命令を導出するフレームワークである。 私たちのアプローチはまず、各質問に対して明確な推論戦略を生成し、(ストラテジー、質問)ペアを形成するようにモデルに促します。 これらのペアは、推論を導くタスク命令を誘導するために使用される。
• 参考スコア（独自算出の注目度）: 23.56553381765231
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Designing effective task-level prompts is crucial for improving the performance of Large Language Models (LLMs). While prior work on instruction induction demonstrates that LLMs can infer better instructions with limited examples, existing approaches often rely on input-output pairs, where obtaining labeled answers can be difficult or costly. To address this limitation, we propose Strategy-Induct, a framework that derives task-level instructions solely from a small set of example questions without requiring labeled answers. Our approach first prompts the model to generate explicit reasoning strategies for each question, forming (strategy, question) pairs. These pairs are then used to induce a task instruction that guides reasoning. Experiments across multiple tasks and model scales demonstrate that Strategy-Induct outperforms state-of-the-art methods in question-only settings. Furthermore, we observe that jointly utilizing LLMs and Large Reasoning Models across task instruction generation and inference may lead to further performance improvements.
• Abstract（参考訳）: 大規模言語モデル(LLM)の性能向上には,効果的なタスクレベルのプロンプトの設計が不可欠である。 命令誘導に関する先行研究では、LLMが限られた例でより良い命令を推論できることが示されているが、既存のアプローチではしばしば入出力ペアに依存しており、ラベル付き回答の取得は困難またはコストがかかる。 この制限に対処するために,提案するStrategy-Inductは,ラベル付き回答を必要とせずに,少数の例題からのみタスクレベルの命令を導出するフレームワークである。 私たちのアプローチはまず、各質問に対して明確な推論戦略を生成し、(ストラテジー、質問)ペアを形成するようにモデルに促します。 これらのペアは、推論を導くタスク命令を誘導するために使用される。 複数のタスクとモデルスケールにわたる実験により、Strategy-Inductは問題のみの設定で最先端のメソッドよりも優れています。 さらに,LLMとLarge Reasoning Modelをタスク命令生成と推論で併用することにより,さらなる性能向上が期待できる。

関連論文リスト

• TORSO: Template-Oriented Reasoning Towards General Tasks [23.681707595200265]
  テンプレート指向推論(TORSO)を導入し、内部推論能力を利用して、手動で数ショットの例を作成することなく、様々なタスクにまたがる適切な応答を生成するモデルを提案する。 実験の結果,TORSO は多種多様な LLM ベンチマークにおいて,合理的な有理性で高い性能を発揮することが示された。
  論文  参考訳（メタデータ） (2025-09-11T13:31:35Z)
• Iterative In-Context Learning to Enhance LLMs Abstract Reasoning: The Case-Study of Algebraic Tasks [40.48180253367968]
  汎用LLMの一般化能力を向上する文脈内学習手法を提案する。 このアプローチでは反復的なサンプル選択戦略を採用しており、いくつかの例を段階的に調整して構築する。 実験の結果, より単純な例では, LLMではより優れた一般化性能が得られることがわかった。
  論文  参考訳（メタデータ） (2025-09-01T08:54:45Z)
• Learning Task Representations from In-Context Learning [67.66042137487287]
  大規模言語モデル(LLM)は、文脈内学習(ICL)において顕著な習熟性を示した。 ICLプロンプトにおけるタスク情報をアテンションヘッドの関数として符号化するための自動定式化を導入する。 提案手法は,テキスト中の実演からタスク固有の情報を抽出し,テキストと回帰タスクの両方で優れる。
  論文  参考訳（メタデータ） (2025-02-08T00:16:44Z)
• The Inherent Limits of Pretrained LLMs: The Unexpected Convergence of Instruction Tuning and In-Context Learning Capabilities [51.594836904623534]
  本研究は,インコンテキストの例を用いて誘導されるベースモデルと,命令調整モデルが根本的に異なる機能を持つかどうかを考察する。 命令調整モデルの性能は,基本モデルのコンテキスト内性能と大きく相関していることを示す。 具体的には、この理解を命令付きモデルに拡張し、事前学習データも同様に、解決可能なタスクの制限境界を設定することを示唆する。
  論文  参考訳（メタデータ） (2025-01-15T10:57:55Z)
• Prompting Strategies for Enabling Large Language Models to Infer Causation from Correlation [68.58373854950294]
  我々は因果推論に焦点をあて,相関情報に基づく因果関係の確立という課題に対処する。 この問題に対して,元のタスクを固定的なサブクエストに分割するプロンプト戦略を導入する。 既存の因果ベンチマークであるCorr2Causeに対するアプローチを評価した。
  論文  参考訳（メタデータ） (2024-12-18T15:32:27Z)
• CINS: Comprehensive Instruction for Few-shot Learning in Task-oriented Dialog Systems [56.302581679816775]
  本稿では,タスク固有の命令でPLMを利用する包括的インストラクション(CINS)を提案する。 命令のスキーマ(定義、制約、プロンプト)と、ToDの3つの重要な下流タスクに対するカスタマイズされた実現を設計する。 これらのToDタスクに対して,小さな検証データを用いた現実的な数ショット学習シナリオで実験を行った。
  論文  参考訳（メタデータ） (2021-09-10T03:23:06Z)

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。