論文の概要: ReasoningLens: Hierarchical Visualization and Diagnostic Auditing for Large Reasoning Models
- arxiv url: http://arxiv.org/abs/2606.23404v1
- Date: Mon, 22 Jun 2026 14:28:35 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-24 19:13:19.539601
- Title: ReasoningLens: Hierarchical Visualization and Diagnostic Auditing for Large Reasoning Models
- Title（参考訳）: ReasoningLens:大規模推論モデルのための階層的可視化と診断監査
- Authors: Jun Zhang, Jiasheng Zheng, Boxi Cao, Yaojie Lu, Hongyu Lin, Jia Zheng, Xianpei Han, Le Sun,
- Abstract要約: ReasoningLensは、複雑な推論チェーンの階層的な可視化と診断監査のために設計されたオープンソースのフレームワークである。
ReasoningLensは、(1)高レベルの戦略と低レベルの実行を分離する対話的階層にトレースを構造化し、(2)エージェント監査を自動エラー検出とツール拡張検証に活用する。
- 参考スコア（独自算出の注目度）: 73.59878306788815
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The emergence of Large Reasoning Models has introduced exceptionally long Chain-of-Thought traces, creating a transparency burden where critical logic is often buried under massive procedural text. To address this, we present ReasoningLens, an open-source framework designed for the hierarchical visualization and diagnostic auditing of complex reasoning chains. ReasoningLens addresses information necropsy by: (1) structuring traces into interactive hierarchies that separate high-level strategy from low-level execution; (2) leveraging an agentic auditor for automated error detection and tool-augmented verification; and (3) synthesizing systemic reasoning profiles to reveal model-specific blind spots. By transforming unstructured walls of text into actionable insights, ReasoningLens provides a modular foundation for interpreting, debugging, and optimizing the next generation of reasoning-centric AI.
- Abstract（参考訳）: 大規模推論モデルの出現は、非常に長いチェーン・オブ・ソート(Chain-of-Thought)トレースを導入し、重要なロジックが巨大な手続き的テキストの下に埋もれてしまうという透明性の負担を生み出した。
これを解決するために、複雑な推論チェーンの階層的可視化と診断監査のために設計されたオープンソースのフレームワークであるReasoningLensを紹介する。
ReasoningLens氏は,(1)高レベルの戦略と低レベルの実行を分離する対話的階層にトレースを構造化すること,(2)自動エラー検出とツール拡張検証にエージェント監査機を活用すること,(3)システム推論プロファイルを合成して,モデル固有の盲点を明らかにすること,などによって,情報ネクロプシーに対処する。
構造化されていないテキストの壁を実行可能な洞察に変換することで、ReasoningLensは、次世代の推論中心のAIを解釈、デバッグ、最適化するためのモジュール化された基盤を提供する。
関連論文リスト
- Grounding Multi-Hop Reasoning in Structural Causal Models via Group Relative Policy Optimization [29.611976706453362]
MHFV(Multi-Hop Fact Verification)は、異なる証拠の複雑な推論を必要とする。
既存の手法は、Chain-of-Thought (CoT)を通じて透明性を向上させる一方で、エビデンスとクレーム間の因果関係の明確なモデリングを欠いている。
本稿では,構造因果モデル(Structure Causal Model, SCM)における推論を基礎として, 検証を建設因果推論プロセスとして扱う新しい枠組みを提案する。
論文 参考訳（メタデータ） (2026-05-02T15:05:38Z) - Multi-Agent Procedural Graph Extraction with Structural and Logical Refinement [66.51979814832332]
モデル式は、専用の構造的および論理的洗練を伴う多ラウンド推論プロセスとして手続きグラフ抽出を定式化する。
実験により、モデルが強いベースラインに対して構造的正当性と論理的整合性の両方において大幅に改善されることが示されている。
論文 参考訳（メタデータ） (2026-01-27T04:00:48Z) - Improving Chain-of-Thought for Logical Reasoning via Attention-Aware Intervention [4.584629831500306]
非インタラクティブなエンドツーエンドフレームワークは、モデル自体に推論が現れることを可能にする。
本研究は,数発のプロンプトに構造情報を導入することで,論理的推論演算子に整合したパターンのアテンションヘッドのサブセットを活性化することを示す。
本研究では,AAI(Attention-Aware Intervention)を提案する。AAI(Attention-Aware Intervention)は,その論理パターンによって認識される選択された頭部の注意点を重み付けする推論時間介入手法である。
論文 参考訳（メタデータ） (2026-01-14T19:10:10Z) - Structured Reasoning for Large Language Models [59.215789462977206]
本研究では、推論を明示的、評価可能、トレーニング可能なコンポーネントに分解するフレームワークであるStructured Reasoning(SCR)を提案する。
SCRは推論効率と自己検証を大幅に改善する。
既存の推論パラダイムと比較して、出力トークンの長さを最大50%削減する。
論文 参考訳（メタデータ） (2026-01-12T04:04:01Z) - Adversarial Yet Cooperative: Multi-Perspective Reasoning in Retrieved-Augmented Language Models [72.4149653187766]
本稿ではAdrialversa Reasoning RAG(ARR)というReasoner-Verifierフレームワークを提案する。
ReasonerとVerifierは、回収された証拠を推論し、プロセス認識の利点によってガイドされながら、互いの論理を批判する。
複数のベンチマーク実験により,本手法の有効性が示された。
論文 参考訳（メタデータ） (2026-01-08T06:57:03Z) - Reasoning Paths as Signals: Augmenting Multi-hop Fact Verification through Structural Reasoning Progression [12.437936654405211]
現実のシナリオにおける事実のクレームの複雑さの増大は、自動化された事実検証システムにとって大きな課題となる。
既存のアプローチは、しばしば、推論経路の進化する構造を捉えるのに失敗する静的または浅いモデルに依存している。
本稿では,エビデンス検索とクレーム検証の段階を通じて,構造化グラフとしての推論経路を明示的にモデル化する構造推論フレームワークを提案する。
論文 参考訳（メタデータ） (2025-06-08T10:30:36Z) - CLATTER: Comprehensive Entailment Reasoning for Hallucination Detection [60.98964268961243]
我々は,系統的かつ包括的な推論プロセスを実行するためのモデルを導くことで,モデルがよりきめ細やかで正確な絞り込み決定を実行できることを提案する。
我々は,(i)クレームの分解,(ii)サブクレームの属性と包含分類,および(iii)集約分類から成る3段階の推論プロセスを定義し,そのような導出推論が実際に幻覚検出の改善をもたらすことを示す。
論文 参考訳（メタデータ） (2025-06-05T17:02:52Z) - LAD-Reasoner: Tiny Multimodal Models are Good Reasoners for Logical Anomaly Detection [27.45348890285863]
本稿では,論理的推論を組み込んで従来の異常検出を拡張したReasoning Logical Anomaly Detection (RLAD)を提案する。
本稿では,Qwen2.5-VL 3B上に構築された小型マルチモーダル言語モデルであるLAD-Reasonerを提案する。
MVTec LOCO ADデータセットの実験では、LAD-Reasonerははるかに小さく、精度はQwen2.5-VL-72BとF1のスコアと一致している。
論文 参考訳（メタデータ） (2025-04-17T08:41:23Z)
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。