論文の概要: Revisiting the Systematicity in Negation in the Era of In-Context Learning
- arxiv url: http://arxiv.org/abs/2606.16867v1
- Date: Mon, 15 Jun 2026 15:44:15 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-16 16:21:34.677847
- Title: Revisiting the Systematicity in Negation in the Era of In-Context Learning
- Title（参考訳）: 文脈学習の時代における否定の体系性の再考
- Authors: Hitomi Yanaka, Taisei Yamamoto,
- Abstract要約: 我々は,否定の理解に関する体系性について,行動的体系性と表現的体系性という2つの視点から分析する。
行動体系性については、実演や文脈内学習を通じて、LLMは文内の否定表現やスコープをある程度認識できるが、完全な性能は得られないことを確認した。
表現体系性において,否定を理解する上で不可欠なタスクの文脈内例から,関数ベクトルが頑健に構築できる範囲を解析する。
- 参考スコア（独自算出の注目度）: 16.384578665588936
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Understanding the meaning of negated sentences remains one of the challenges for language models, even in the era of large language models (LLMs). We analyze systematicity regarding LLM understanding of negation from two perspectives: behavioral systematicity and representational systematicity. For behavioral systematicity, we confirm that through demonstrations and in-context learning, LLMs can recognize negation expressions and scope within sentences to some extent, but they fail to achieve perfect performance. In particular, the difficulty of the negation scope recognition for models varies depending on the output format. For representational systematicity, we analyze the extent to which function vectors can be robustly constructed from in-context examples for tasks that are essential to understanding negation. The experiments suggest that while function vectors can be composed for negation cue extraction tasks, extracting function vectors for recognizing scope is more challenging.
- Abstract（参考訳）: 否定文の意味を理解することは、大言語モデル(LLM)の時代においても、言語モデルにとっての課題の1つである。
我々は, LLMの否定理解に関する体系性について, 行動的体系性と表現的体系性という2つの視点から分析する。
行動体系性については、実演や文脈内学習を通じて、LLMは文内の否定表現やスコープをある程度認識できるが、完全な性能は得られないことを確認した。
特に、モデルに対する否定範囲認識の難しさは、出力形式によって異なる。
表現体系性において,否定を理解する上で不可欠なタスクの文脈内例から,関数ベクトルが頑健に構築できる範囲を解析する。
実験の結果,関数ベクトルは否定キュー抽出タスクのために構成できるが,スコープ認識のための関数ベクトルの抽出はより困難であることが示唆された。
関連論文リスト
- How Language Models Process Negation [56.41361273288279]
本研究では,Large Language Models (LLMs) の否定処理を機械的に行う方法について検討する。
我々の研究は、LLMの内部の理解を深め、構築に支配的な計算と競合する機構の共存を強調した。
論文 参考訳（メタデータ） (2026-05-04T18:17:05Z) - Mastering Negation: Boosting Grounding Models via Grouped Opposition-Based Learning [87.15765427638195]
D-Negationは、ポジティブな意味記述とネガティブな意味記述の両方で注釈付けされたオブジェクトを提供する新しいデータセットである。
本稿では,限られたサンプルから否定認識表現を学習する,反抗型学習フレームワークを提案する。
モデルパラメータの10%未満を微調整することにより、正および負のセマンティック評価において最大4.4mAPおよび5.7mAPの改善が達成される。
論文 参考訳（メタデータ） (2026-03-13T03:21:48Z) - Revisiting subword tokenization: A case study on affixal negation in large language models [57.75279238091522]
現代英語大言語モデル(LLM)に対する接尾辞否定の影響を計測する。
我々は、異なるサブワードトークン化手法を用いてLLMを用いて実験を行う。
モデルは全体として、接尾辞の意味を確実に認識できることを示す。
論文 参考訳（メタデータ） (2024-04-03T03:14:27Z) - Strong hallucinations from negation and how to fix them [2.1178416840822027]
提案手法は,疎い負のデータに対する訓練を必要とせずに,クローゼプロンプトや否定を伴う自然言語推論タスクにおけるモデル性能を向上させることを示す。
このような応答をテキストストロング幻覚と呼び、論理演算子の内部表現とそれらの表現からの出力に対するLMの計算からそれに従うことを証明する。
論文 参考訳（メタデータ） (2024-02-16T10:11:20Z) - Uncertainty Quantification for In-Context Learning of Large Language Models [52.891205009620364]
大規模言語モデル(LLM)の画期的な能力として、文脈内学習が登場している。
両タイプの不確かさを定量化するための新しい定式化法とそれに対応する推定法を提案する。
提案手法は、プラグイン・アンド・プレイ方式でコンテキスト内学習の予測を理解するための教師なしの方法を提供する。
論文 参考訳（メタデータ） (2024-02-15T18:46:24Z) - This is not a Dataset: A Large Negation Benchmark to Challenge Large
Language Models [4.017326849033009]
我々は,否定を理解する大規模言語モデルの最適部分性能の理由を明らかにする。
我々は,コモンセンス知識に関する40万前後の記述文を半自動生成する大規模データセットを提案する。
我々は,その一般化と推論能力を把握するために,ゼロショットアプローチで利用可能な最大オープンLCMを用いてデータセットを構築した。
論文 参考訳（メタデータ） (2023-10-24T15:38:21Z) - Language models are not naysayers: An analysis of language models on
negation benchmarks [58.32362243122714]
我々は,次世代自動回帰言語モデルによる否定処理能力の評価を行った。
LLMには,否定の存在に対する感受性,否定の語彙的意味を捉える能力の欠如,否定下での推論の失敗など,いくつかの制限があることが示されている。
論文 参考訳（メタデータ） (2023-06-14T01:16:37Z)
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。