論文の概要: Analysis of the Neglect-Zero Effect in Large Language Models

• arxiv url: http://arxiv.org/abs/2606.05864v1
• Date: Thu, 04 Jun 2026 08:39:39 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-05 22:39:44.654384
• Title: Analysis of the Neglect-Zero Effect in Large Language Models
• Title（参考訳）: 大規模言語モデルにおけるネグレクト・ゼロ効果の解析
• Abstract要約: LLMの言語処理が人間の認知過程にどのように似ているかを検討する。 無視ゼロ効果によって引き起こされる2種類の推論に焦点を当てる。 その結果, 本研究で分析したLSMでは, 無視ゼロ効果は生じないことが示唆された。
• 参考スコア（独自算出の注目度）: 17.164287400700815
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We investigate the extent to which the language processing of LLMs resembles human cognitive processes, focusing on a human cognitive bias called the $\textit{neglect-zero effect}$. This effect refers to the human tendency to ignore $\textit{zero-models}$, which are configurations that render a proposition vacuously true by virtue of an empty set. We focus on two types of inferences driven by the neglect-zero effect, and examine how LLMs process these inferences by comparing their behavior with that in an inference that does not involve the neglect-zero effect. For this purpose, we employ a paradigm based on $\textit{structural priming}$, where recent exposure to a preceding sentence (the $\textit{prime}$) facilitates the processing of a subsequent sentence (the $\textit{target}$) due to their structural similarity. We prepare primes to force LLMs to consider the zero-model, and analyze whether they also consider it in the target. The results suggest that the neglect-zero effect may not occur in the LLMs analyzed in this study. Our code is available at https://github.com/ynklab/neglect_zero
• Abstract（参考訳）: 我々は、LLMの言語処理が人間の認知過程にどのように似ているかを調査し、$\textit{neglect-zero effect}$という人間の認知バイアスに焦点を当てた。 この効果は、空集合によって空の真命題を空にする構成である$\textit{zero-models}$を無視する人間の傾向を指す。 本研究では, 無視ゼロ効果によって引き起こされる2種類の推論に注目し, 無視ゼロ効果を伴わない推論において, LLMがこれらの推論をどのように処理するかを検討する。 この目的のために、我々は$\textit{structural priming}$に基づくパラダイムを採用し、最近、前文($\textit{prime}$)への露出は、その構造的類似性から、後文($\textit{target}$)の処理を容易にする。 我々は、ゼロモデルを考えるために LLM を強制する素数を準備し、それらがターゲットにも考慮するかどうかを分析する。 その結果, 本研究で分析したLSMでは, 無視ゼロ効果は生じないことが示唆された。 私たちのコードはhttps://github.com/ynklab/neglect_zeroで利用可能です。

関連論文リスト

• Model Collapse as Cultural Evolution [13.891522069967507]
  文化進化からの反復学習理論がこのギャップを埋めていることを示す。 検証可能な5つの予測を導出し、その理論に対して独特に識別できるものと確認可能なものとを区別し、自己学習によってそれらを検証する。 決定的な識別的発見: 構成性は、フィルターなしの自己学習の下で非単調な軌道に従う。
  論文  参考訳（メタデータ） (2026-05-21T21:36:26Z)
• ConvexBench: Can LLMs Recognize Convex Functions? [70.53167848190624]
  凸解析は数学の現代的な分野であり、多くの応用がある。 大規模言語モデル(LLM)が研究レベルの数学と科学を自動化し始めるにつれ、LLMが凸性を理解し、推論する能力を示すことが重要である。 我々は,LLMが深い機能的構成下での象徴的対象の凸性を識別できるかどうかを,スケーラブルで機械的に検証できるベンチマークであるcbを紹介する。
  論文  参考訳（メタデータ） (2026-02-01T07:41:17Z)
• Can LLMs subtract numbers? [35.96520408823125]
  8種類の事前学習型大言語モデル (LLM) を加算および減算問題に基づいて評価した。 実験により、減算精度は加算の遅れを広いマージンで示している。 我々は,LLMの性能を向上できるかどうかを確認するため,小文字学習や命令チューニングなどの手法を試験する。
  論文  参考訳（メタデータ） (2025-11-04T18:20:17Z)
• Verifying Large Language Models' Reasoning Paths via Correlation Matrix Rank [71.09032766271493]
  大規模言語モデル (LLM) は誤りや幻覚を引き起こす傾向がある。 アウトプットを効果的かつ効率的にチェックする方法は、アプリケーションにとって重要な問題となっている。
  論文  参考訳（メタデータ） (2025-10-28T11:01:10Z)
• Verifying the Verifiers: Unveiling Pitfalls and Potentials in Fact Verifiers [59.168391398830515]
  我々は,14のファクトチェックベンチマークのサンプルを用いて,12の事前学習LDMと1つの特殊ファクト検証器を評価した。 データセットにおけるアノテーションエラーとあいまいさに対処することの重要性を強調します。 最上位のパフォーマンスを実現するために、前作でしばしば見落とされがちな、数ショットのインコンテキストの例を持つフロンティアLSM。
  論文  参考訳（メタデータ） (2025-06-16T10:32:10Z)
• S$^2$R: Teaching LLMs to Self-verify and Self-correct via Reinforcement Learning [51.84977135926156]
  S$2$Rはモデルに推論時の自己検証と自己正当性を教えることによってLLM推論を強化する効率的なフレームワークである。 以上の結果から,Qwen2.5-math-7Bの精度は51.0%から81.6%に向上した。
  論文  参考訳（メタデータ） (2025-02-18T13:40:22Z)
• Zero-Shot Statistical Tests for LLM-Generated Text Detection using Finite Sample Concentration Inequalities [13.657259851747126]
  コンテンツの証明は、教育機関、ソーシャルメディアプラットフォーム、企業など、多くの組織の機能に不可欠である。 LLM(Large Language Models)が生成するテキストが、人間が生成したコンテンツとほとんど区別できないようになるにつれて、この問題はますます難しくなってきている。 本稿では,あるテキストが与えられた場合,特定の LLM が生成したかどうかを特定できるのか,という問いに答える。 LLM生成したテキストは、歴史に完全に依存したシーケンシャルなプロセスとしてモデル化し、ゼロショット統計テストを設計し、2つの異なるLCM集合によって生成されたテキストを区別する。
  論文  参考訳（メタデータ） (2025-01-04T23:51:43Z)
• Cross-validating causal discovery via Leave-One-Variable-Out [11.891940572224783]
  私たちは"Leave-One-Variable-Out (LOVO)"予測を使い、$Y$は$X$から推論されるが、$X$と$Y$は共同で観測されることはない。 Acyclic Directed Mixed Graphs (ADMGs) という形で、2つの部分集合上の因果モデルが、しばしば$X$ と $Y$ の依存関係に関する結論を導くことを示した。 この予測誤差は、$P(X, Y)$が利用可能であると仮定され、$X$と$Y$がfalの目的のために省略されているため推定できる。
  論文  参考訳（メタデータ） (2024-11-08T15:15:34Z)
• Can Large Language Models Play Games? A Case Study of A Self-Play Approach [61.15761840203145]
  LLM(Large Language Models)は、インターネットからの広範なデータを利用して、幅広い事前知識を格納する。 Monte-Carlo Tree Search (MCTS)は、信頼性の高い意思決定ソリューションを提供する検索アルゴリズムである。 この研究は、ターンベースのゼロサムゲームを効率的に解決するために、MCTSセルフプレイでLLMを活性化させる革新的なアプローチを導入している。
  論文  参考訳（メタデータ） (2024-03-08T19:16:29Z)
• Do large language models and humans have similar behaviors in causal inference with script knowledge? [13.140513796801915]
  スクリプトベースのストーリーでイベントの処理をB$で研究する。 私たちの操作では、Event $A$は、テキストの以前のセクションで記述、無効化、または省略されます。
  論文  参考訳（メタデータ） (2023-11-13T13:05:15Z)
• Can Large Language Models Infer Causation from Correlation? [104.96351414570239]
  大規模言語モデル(LLM)の純粋因果推論スキルをテストする。 相関文の集合を取り、変数間の因果関係を決定する新しいタスクCorr2Causeを定式化する。 これらのモデルがタスクのランダムな性能にほぼ近い結果が得られることを示す。
  論文  参考訳（メタデータ） (2023-06-09T12:09:15Z)

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。