論文の概要: Spatial Reasoning via Modality Switching Between Language and Symbolic Representation
- arxiv url: http://arxiv.org/abs/2606.31285v2
- Date: Thu, 02 Jul 2026 07:42:35 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-03 15:16:32.250718
- Title: Spatial Reasoning via Modality Switching Between Language and Symbolic Representation
- Title（参考訳）: 言語と記号表現間のモダリティスイッチングによる空間的推論
- Abstract要約: 本研究は,マルチホップテキスト・空間的ストーリーを幾何学的モダリティにグラウンド化することで推論が改善するかどうかを考察する。
本稿では,信頼度と複雑性信号に基づいて,空間的ストーリを構造にグラウンドすると性能が向上する確率を推定する切替指標を提案する。
私たちの設定では、自然言語ベースの推論からグリッドベースの表現に切り替えることで、LLMのパフォーマンスを最大42%向上させ、推論結果を形成する上でのモダリティの選択の重要性を強調します。
- 参考スコア（独自算出の注目度）: 26.746461996486474
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Human reasoning is inherently multimodal: when problems become difficult, we rarely think in words alone. We often externalize our reasoning by sketching diagrams or drawing grids to understand the underlying conceptual structure and avoid mistakes. Building on this premise, our research investigates: (a) whether grounding multi-hop textual-spatial stories into geometry-aware modalities, such as layouts or grids, improves reasoning compared to natural language-based inference; and (b) whether a model can decide when to rely on natural language reasoning and when to switch to a structured modality. We address these questions by introducing a switching metric based on trustworthiness and complexity signals, which estimates when grounding a spatial story into structure is likely to improve performance. This takes a first step toward principled modality selection in Large Language Model (LLM) reasoning. Across our settings, switching from natural language-based reasoning to a grid-based representation improves LLM performance by up to 42%, highlighting the importance of modality choice in shaping reasoning outcomes.
- Abstract（参考訳）: 人間の推論は本質的にマルチモーダルであり、問題が発生すると、言葉だけで考えることは滅多にない。
私たちはしばしば、図をスケッチしたり、グリッドを描いて、基礎となる概念構造を理解し、ミスを避けることで、推論を外部化します。
この前提に基づいて、我々の研究は以下のとおりである。
(a)複数ホップのテキスト・空間的ストーリーをレイアウトやグリッドなどの幾何学的モダリティに基礎付けるか否かは、自然言語による推論と比較して推論を改善する。
(b) モデルが自然言語の推論にいつ依存するか、いつ構造化モダリティに切り替えるかを判断できる。
本研究では,信頼度と複雑性信号に基づいて,空間的ストーリを構造に基礎付けると性能が向上する可能性の高い切替基準を導入することで,これらの課題に対処する。
これは、Large Language Model (LLM)推論における原則的モダリティ選択に向けた第一歩である。
私たちの設定では、自然言語ベースの推論からグリッドベースの表現に切り替えることで、LLMのパフォーマンスを最大42%向上させ、推論結果を形成する上でのモダリティの選択の重要性を強調します。
関連論文リスト
- Look on Demand: A Cognitive Scheduling Framework for Visual Evidence Acquisition in Multimodal Reasoning [82.86343313807158]
我々は、視覚的証拠が推論プロセスにどのように、いつ導入されるかが中心的な課題であると主張している。
この知見により,言語モデルが推論プロセスを制御するマルチモーダル推論フレームワークCSMRを提案する。
論文 参考訳（メタデータ） (2026-05-27T08:43:13Z) - LANG: Reinforcement Learning for Multilingual Reasoning with Language-Adaptive Hint Guidance [77.58408743830314]
強化学習は大規模言語モデルにおける多段階推論の強化に有効であることが証明されている。
しかし、その利点は多言語文脈に完全には翻訳されていない。
我々は、言語条件付きヒントを利用して、英語以外の推論タスクの探索をガイドする新しいフレームワークを開発する。
論文 参考訳（メタデータ） (2026-05-21T14:47:52Z) - Stratagem: Learning Transferable Reasoning via Trajectory-Modulated Game Self-Play [85.2683525068614]
本稿では,ドメイン特異性とコンテキストスタシスの2つの基本的障壁に対処するSTRATAGEMを提案する。
数学的推論、一般的な推論、コード生成ベンチマークにわたる実験は、大幅な改善を示している。
論文 参考訳（メタデータ） (2026-04-20T01:20:31Z) - Multi-Granularity Reasoning for Natural Language Inference [9.242693439707006]
本稿では,対話型推論空間における階層的意味的特徴を明示的に活用する新しいemphMulti-Granularity Reasoning Network(MGRN)を提案する。
複数の粒度のセマンティック情報をプログレッシブで構造化的に統合することにより、MGRNは自然言語表現の根底にある複雑なセマンティックな関係を明らかにすることができる。
論文 参考訳（メタデータ） (2026-04-18T16:19:32Z) - SoT: Structured-of-Thought Prompting Guides Multilingual Reasoning in Large Language Models [39.13376984049828]
本論文では,多段階変換による多言語推論の性能向上を目的とした学習自由度手法を提案する。
Structured-of-Thought(SoT)メソッドは、言語固有の意味情報を言語に依存しない構造化表現に変換する。
実験により、SoTは複数の多言語推論ベンチマークにおいて、いくつかの強いベースラインよりも優れていることが示された。
論文 参考訳（メタデータ） (2025-10-03T01:02:14Z) - Decoupling Understanding from Reasoning via Problem Space Mapping for Small-scale Model Reasoning [22.582715282848795]
本稿では、自然言語問題を標準問題空間にマッピングすることで、推論から理解を分離する新しいフレームワークを提案する。
本フレームワークでは, 自己蒸留による推論軌道を反復的に整列する3段階のアルゴリズムであるDURITを導入する。
実験により、DURITはドメイン内およびドメイン外の数学的および論理的推論タスクにおけるSLMの性能を大幅に改善することが示された。
論文 参考訳（メタデータ） (2025-08-07T01:13:30Z) - Language Matters: How Do Multilingual Input and Reasoning Paths Affect Large Reasoning Models? [59.970391602080205]
多言語トレーニングにも拘わらず、LRMはテスト時に高リソース言語での推論をデフォルトとする傾向にある。
文化的推論は、推論タスクのパフォーマンスを低下させるが、文化的なタスクに恩恵を与える一方、安全性評価は言語固有の振る舞いを示す。
論文 参考訳（メタデータ） (2025-05-23T02:46:18Z) - Learning to Reason via Mixture-of-Thought for Logical Reasoning [56.24256916896427]
Mixture-of-Thought (MoT) は、LLMが自然言語、コード、真理表の3つの相補的なモダリティにまたがる推論を可能にするフレームワークである。
MoT は,(1) 自己進化型 MoT トレーニング,(2) 3 つのモーダルの相乗効果を完全に活用してより良い予測を生成する MoT 推論,という2段階の設計を採用する。
論文 参考訳（メタデータ） (2025-05-21T17:59:54Z) - LINGOLY-TOO: Disentangling Reasoning from Knowledge with Templatised Orthographic Obfuscation [1.2576388595811496]
自然言語を基盤とした挑戦的推論ベンチマークであるlingOLY-TOOを紹介する。
実言語で記述された推論問題をパーミュレートして、多数の質問のバリエーションを生成する。
実験と分析は、モデルが推論を回避し、事前の知識から回答できることを示している。
論文 参考訳（メタデータ） (2025-03-04T19:57:47Z) - LogiDynamics: Unraveling the Dynamics of Inductive, Abductive and Deductive Logical Inferences in LLM Reasoning [74.0242521818214]
本稿では,大言語モデル(LLM)におけるインダクティブ(システム1)と帰納的/帰納的(システム2)の推論の比較力学を体系的に検討する。
我々は、制御されたアナログ推論環境、多様度(テキスト、視覚、記号)、難易度、タスク形式(MCQ/フリーテキスト)を利用する。
我々の分析によると、System 2のパイプラインは一般的に、特に視覚的/象徴的なモダリティや難しいタスクにおいて優れており、System 1はテキストやより簡単な問題に対して競争力がある。
論文 参考訳（メタデータ） (2025-02-16T15:54:53Z) - From Heuristic to Analytic: Cognitively Motivated Strategies for
Coherent Physical Commonsense Reasoning [66.98861219674039]
ヒューリスティック分析推論(HAR)戦略は、モデル決定のための合理化のコヒーレンスを大幅に改善する。
以上の結果から, PLM推論の一貫性と信頼性を効果的に向上できる可能性が示唆された。
論文 参考訳（メタデータ） (2023-10-24T19:46:04Z) - Re-Reading Improves Reasoning in Large Language Models [87.46256176508376]
既成のLarge Language Models (LLM) の推論能力を高めるため, 単純で汎用的で効果的なプロンプト手法であるRe2を導入する。
CoT (Chain-of-Thought) など、ほとんどの思考を刺激する手法とは異なり、Re2 は質問を2回処理することで入力に焦点を移し、理解プロセスを強化する。
提案手法の有効性と汎用性を検証するため,14のデータセットにまたがる広範囲な推論ベンチマークでRe2を評価した。
論文 参考訳（メタデータ） (2023-09-12T14:36:23Z)
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。