論文の概要: CRAFT: A Unified Counterfactual Reasoning Framework for Tabular Question Answering and Fact Verification

• arxiv url: http://arxiv.org/abs/2606.06842v1
• Date: Fri, 05 Jun 2026 02:37:32 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-08 14:33:29.52781
• Title: CRAFT: A Unified Counterfactual Reasoning Framework for Tabular Question Answering and Fact Verification
• Title（参考訳）: CRAFT: 質問応答とファクト検証のための統合された対実的推論フレームワーク
• Authors: Chenshuo Pan, Yu Zhao, Jie Zhang, Changzai Pan, Zhenhe Wu, Jiayi Liang, Yujie Mao, Shuangyong Song, Yongxiang Li, Zhongjiang He,
• Abstract要約: CRAFTは統合された対実的推論フレームワークである。 タブラル質問応答と事実検証を汎用的な双方向検証プロセスに再構成する。 我々のアプローチは、WikiTQやTabFactといったテーブル推論データセットにおける代表的ベースラインを一貫して超越しています。
• 参考スコア（独自算出の注目度）: 23.794030351012353
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Table reasoning remains challenging for large language models (LLMs), particularly in tasks that require multi-step inference over long and structured tables. Existing approaches predominantly rely on single-direction reasoning, which limits their ability to explore alternative hypotheses across tasks. In this work, we propose CRAFT, a unified Counterfactual Reasoning Framework that reformulates Tabular question answering and fact verification into a general bidirectional verification process. Our method explicitly constructs both declarative statements and their counterfactual variants. Evidence is then extracted from reasoning along both the original and counterfactual paths, and integrated via a weighted mechanism to arrive at the final answer. Experimental results show that our approach consistently surpasses representative baselines on table reasoning datasets such as WikiTQ and TabFact, achieving especially large improvements on complex question answering. Our framework also significantly mitigates performance gaps between different backbone LLMs. This indicates that counterfactual reasoning effectively overcomes the limitations of single-direction inference, guiding LLMs toward more discerning reasoning and establishing a more principled paradigm for structured reasoning tasks. Our code will be made publicly available upon acceptance.
• Abstract（参考訳）: テーブル推論は、大規模言語モデル(LLM)、特に長く構造化されたテーブル上でのマルチステップ推論を必要とするタスクにおいて、依然として困難である。 既存のアプローチは、主に単一方向推論に依存しており、タスク間の代替仮説を探索する能力を制限する。 本研究では,タブラル質問応答と事実検証を汎用的な双方向検証プロセスに再構成する,統合された対実推論フレームワークであるCRAFTを提案する。 本手法は宣言的文とその反事実的変種の両方を明示的に構成する。 その後、元のパスと反ファクトパスの両方に沿って推論から証拠を抽出し、最終回答に到達するために重み付けされたメカニズムを介して統合する。 実験結果から, WikiTQ や TabFact などのテーブル推論データセットのベースラインを一貫して上回り, 複雑な質問応答の大幅な改善を実現していることがわかった。 我々のフレームワークは、異なるバックボーンLLM間のパフォーマンスギャップを著しく軽減します。 このことは、反ファクト推論が単一方向推論の限界を効果的に克服し、LLMをより識別可能な推論へと導くこと、構造化推論タスクのためのより原則化されたパラダイムを確立することを示唆している。 私たちのコードは受理時に公開されます。

関連論文リスト

• Self-Awareness before Action: Mitigating Logical Inertia via Proactive Cognitive Awareness [7.845857636481423]
  大規模言語モデルは、しばしば現在の知識や推論状態が完成しているかどうかの認識を欠いている。 非対話型パズル設定では、物語は固定され、基礎となる構造は隠される。 欠落した施設の自己認識を明示的に導入する推論フレームワークであるSABAを提案する。
  論文  参考訳（メタデータ） (2026-04-22T10:33:24Z)
• STRIDE: Strategic Iterative Decision-Making for Retrieval-Augmented Multi-Hop Question Answering [9.69666629029613]
  マルチホップ質問応答 (MHQA) は、複数の文書にまたがる証拠を検索し、推論することで、複雑なクエリに対する正確な回答を可能にする。 既存のMHQAアプローチは主に、次の2つの大きな問題に苦しむ反復的な検索強化世代に依存している。 戦略計画,動的制御,接地型実行を分離するフレームワークSTRIDEを提案する。
  論文  参考訳（メタデータ） (2026-04-19T12:19:43Z)
• 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)
• Towards Generalizable Reasoning: Group Causal Counterfactual Policy Optimization for LLM Reasoning [50.352417879912515]
  大規模言語モデル(LLM)は推論能力の進歩とともに複雑なタスクに優れる。 一般化可能な推論パターンを学習するために,LLMを明示的に訓練するためのグループ因果政策最適化を提案する。 次に、この報酬からトークンレベルのアドバンテージを構築し、ポリシーを最適化し、LCMにプロセス無効で事実上堅牢な推論パターンを推奨します。
  論文  参考訳（メタデータ） (2026-02-06T08:03:11Z)
• Benchmarking Multi-Step Legal Reasoning and Analyzing Chain-of-Thought Effects in Large Language Models [8.769542756426786]
  我々は,M SLRを紹介した。これは,実世界の司法判断に基礎を置いた,中国初の多段階の法的推論データセットである。 M SLR は IRAC フレームワーク (Issue, Rule, Application, Conclusion) を採用し、公式な法的文書からの構造化専門家の推論をモデル化している。 我々は,ステップレベルの詳細な推論アノテーションを効率よく生成する,スケーラブルなHuman-LLM協調アノテーションパイプラインを設計する。 さらなる実験では、モデルによって生成される自己開始型チェーン・オブ・ワットプロンプトが、推論のコヒーレンスと品質を自律的に改善し、人間によって設計されたプロンプトを上回ることが示されている。
  論文  参考訳（メタデータ） (2025-11-11T08:45:29Z)
• 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)
• The Curse of CoT: On the Limitations of Chain-of-Thought in In-Context Learning [56.574829311863446]
  CoT(Chain-of-Thought)プロンプトは,大規模言語モデル(LLM)における推論能力の向上によって広く認識されている。 我々は、CoTとその推論変異が、様々なモデルスケールやベンチマークの複雑さに対して、直接応答を一貫して過小評価していることを実証する。 パターンベースICLにおけるCoTの性能を駆動する明示的単純推論の基本的なハイブリッド機構を明らかにする。
  論文  参考訳（メタデータ） (2025-04-07T13:51:06Z)
• Large Language Models as an Indirect Reasoner: Contrapositive and Contradiction for Automated Reasoning [74.90592233107712]
  本稿では,直接推論 (DR) と間接推論 (IR) を並列な複数の推論経路として考慮し,最終解を導出する直接間接推論 (DIR) 手法を提案する。 我々のDIR法は単純だが有効であり、既存のCoT法と簡単に統合できる。
  論文  参考訳（メタデータ） (2024-02-06T03:41:12Z)

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。