論文の概要: DAIS: Dependency-Aware Intermediate QA Supervision for Complex Reasoning
- arxiv url: http://arxiv.org/abs/2607.19088v1
- Date: Tue, 21 Jul 2026 13:25:00 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-22 19:05:05.434185
- Title: DAIS: Dependency-Aware Intermediate QA Supervision for Complex Reasoning
- Title（参考訳）: DAIS:複雑推論のための依存関係対応中間QAスーパービジョン
- Abstract要約: 依存認識中間QAスーパービジョンは、フィルタリングされた教師の合理性をステージレベルのQAレコードに変換する。
DAISは、回答のみ、フラットチェーン、および独立QAベースラインよりも平均的な最終回答精度を向上させる。
制御された短縮は、有効な事前状態条件付けが、より長いターゲットや追加の中間テキストを超えて寄与することを示している。
- 参考スコア（独自算出の注目度）: 10.368492280666626
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Chain-of-thought (CoT) supervision exposes intermediate rationales, but flat rationale targets usually optimize a single reasoning sequence and provide limited supervision on how local conclusions should support later decisions. We introduce Dependency-Aware Intermediate QA Supervision (DAIS), a training-time framework that converts filtered teacher rationales into stage-level QA records. Each intermediate record predicts a local answer conditioned on the previous states needed for that decision, while the final-answer record keeps the original task format; evaluation therefore uses only the original input and optional context. Across GDPR, AIACT, MedQA, and FOLIO with multiple Qwen backbones, DAIS improves average final-answer accuracy over answer-only, flat chain-of-thought, and independent-QA baselines. On policy-compliance benchmarks, it achieves a largest gain of 5.6% and an average gain of 4.2% over the strongest non-DAIS baseline. Controlled ablations show that valid previous-state conditioning contributes beyond longer targets or additional intermediate text, supporting dependency-conditioned intermediate QA as a lightweight auxiliary supervision signal for standard final-answer inference.
- Abstract（参考訳）: チェーン・オブ・シント(CoT)の監督は、中間的理性を明らかにするが、フラットな理性的目標は通常、単一の推論シーケンスを最適化し、局所的な結論が後の決定をどのようにサポートするべきかの限定的な監督を提供する。
本稿では,教師の知識を段階レベルのQAレコードに変換する訓練時間フレームワークであるDAISについて紹介する。
各中間レコードは、その決定に必要な前の状態に条件付けされたローカル応答を予測し、最終回答レコードは、元のタスクフォーマットを保持し、したがって評価は、元の入力とオプションコンテキストのみを使用する。
GDPR、AIACT、MedQA、FOLIOに複数のQwenバックボーンがあり、DAISは回答のみ、フラットチェーン、独立QAベースラインよりも平均的な最終回答精度を向上させる。
政策準拠のベンチマークでは、DAIS以外の最強のベースラインよりも5.6%、平均4.2%の上昇を達成した。
制御されたアブリゲーションにより、有効な事前状態条件付けは、より長いターゲットや追加の中間テキストを超えて寄与し、依存条件付き中間QAを標準問合せ推論のための軽量な補助信号としてサポートしている。
関連論文リスト
- PCQA-R1: Advancing Generalized 3D Point Cloud Quality Assessment with Reinforcement Learning [51.75061005702151]
ノンリファレンスポイントクラウド品質アセスメント(PCQA)は近年活発なトピックであり、ポイントクラウドの視覚的エクスペリエンスの測定と最適化に使用されている。
本稿では,3次元点雲質評価のための最初の強化学習LMMであるPCQA-R1について述べる。
論文 参考訳（メタデータ） (2026-08-19T07:21:58Z) - DACRI: Decision-Aware Causal Intervention Ranking for Critical Supply Chains [7.300943403522602]
提案するCriticalSCM-Bench v1は,因果的真理と実/実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実
フル情報トレイン選択静的ベンチマークとは対照的に、LambdaMARTは中央値の正規化を5.7-16.2%改善している。
デジタルインフラストラクチャーでは、ドメインインフォームド定数バッファポリシーが引き続き強く、モデル複雑性が一様に正当化されないことを示す。
論文 参考訳（メタデータ） (2026-08-11T17:12:08Z) - SVR: Self-Verifying Refinement via Joint Verdict-Confidence Reinforcement Learning for Adaptive Test-Time Compute [62.3458279176813]
自己検証リファインメント(Self-Verifying Refinement)は、オラクルフリーのマルチターン強化学習フレームワークである。
自己検証を計算制御ポリシとして使用することを学ぶ。
マクロ平均精度は0.563で、平均で2.99回しか推測できない。
論文 参考訳（メタデータ） (2026-07-30T16:20:58Z) - Candidate-Constrained Retrieval-Augmented Generation for LongEval-RAG: System Design and Empirical Analysis [1.0312968200748118]
本稿では,LongEval-RAGのための候補制約付き検索拡張生成システムを提案する。
プライマリ・オーガナイザ・アセスメントと補足的自己生成診断プロトコルを用いて,10種類のパイプライン変異を評価した。
論文 参考訳（メタデータ） (2026-07-04T20:07:57Z) - Knowledge Dependency Estimation for Reliable Question Answering [11.800158247203312]
我々はemphknowledge依存性の推定について研究する
構造化されたランク認識型知識依存度推定器である textbfKnot を提案する。
論文 参考訳（メタデータ） (2026-05-27T06:48:57Z) - Evidence-based Distributional Alignment for Large Language Models [58.65469623911573]
LLM分布推定の忠実度とロバスト性を改善する証拠に基づくアライメント手法であるEvi-DAを提案する。
対象国が与えられた場合、Evi-DAは関連するWorld Values Survey項目とその回答分布を検索し、オプション毎に粗いヴェルツェル値シグネチャを予測し、国条件の回答分布を構造化形式で推測する。
論文 参考訳（メタデータ） (2026-03-03T03:34:06Z) - Stepwise Penalization for Length-Efficient Chain-of-Thought Reasoning [66.22060690012512]
大規模な推論モデルは、より多くのテストタイム計算で改善されるが、しばしば過大評価され、正確さを向上することなくコストを上昇させる必要のない長い連鎖を生み出す。
本研究は,本質的な貢献に基づいて,ステップ間の長さ短縮を割り当てる,きめ細かいフレームワークであるSWAPを提案する。
論文 参考訳（メタデータ） (2026-02-27T20:23:59Z) - APR: Penalizing Structural Redundancy in Large Reasoning Models via Anchor-based Process Rewards [61.52322047892064]
テスト時間スケーリング(TTS)は、Large Reasoning Models(LRM)の機能を大幅に強化した。
我々は, LRM が推論過程において最終回答を得た後も, 再検討なしに反復的自己検証を頻繁に行うことを観察した。
本稿では,Anchor-based Process Reward (APR)を提案する。
論文 参考訳（メタデータ） (2026-01-31T14:53:20Z) - Benchmarking Uncertainty Calibration in Large Language Model Long-Form Question Answering [7.1559850008795385]
大きな言語モデル(LLM)は質問回答(QA)設定で一般的に使用される。
既存のUQアプローチは、科学的QAでは弱い検証が残っている。
推論要求QAにおけるUQ指標を評価するための,最初の大規模ベンチマークを紹介する。
論文 参考訳（メタデータ） (2026-01-30T20:02:34Z) - Beyond Correlations: A Downstream Evaluation Framework for Query Performance Prediction [10.378957672522157]
クエリ性能予測(QPP)評価の標準的な実践は、推定された検索品質と真の結果とのセットレベル相関を測定することである。
本稿では、複数のランク付けで検索した上位文書の一覧からQPP推定値の分布をIR融合の先行値として用いる下流焦点評価フレームワークを提案する。
一方、これらの推定値の分布は、真の検索特性と密に一致し、予測器の品質を示す一方で、先行値としての使用は、予測器がIRパイプラインで情報的選択を行う能力を示す。
論文 参考訳（メタデータ） (2026-01-24T06:58:30Z) - PreResQ-R1: Towards Fine-Grained Rank-and-Score Reinforcement Learning for Visual Quality Assessment via Preference-Response Disentangled Policy Optimization [12.993619998545633]
PreResQ-R1はPreference-Response Disentangled Reinforcement Learningフレームワークである。
1つの推論駆動最適化スキームにおいて絶対スコア回帰と相対ランク一貫性を統一する。
10 IQA と 5 VQA のベンチマークにおいて、SRCC と PLCC のメトリクスで最先端の結果を得る。
論文 参考訳（メタデータ） (2025-11-07T16:19:50Z) - COIN: Uncertainty-Guarding Selective Question Answering for Foundation Models with Provable Risk Guarantees [51.5976496056012]
COINは、統計的に有効な閾値を校正し、質問毎に1つの生成された回答をフィルタリングする不確実性保護選択フレームワークである。
COINはキャリブレーションセット上で経験的誤差率を推定し、信頼区間法を適用して真誤差率に高い確率上界を確立する。
リスク管理におけるCOINの堅牢性,許容回答を維持するための強いテストタイムパワー,キャリブレーションデータによる予測効率を実証する。
論文 参考訳（メタデータ） (2025-06-25T07:04:49Z) - Post-Contextual-Bandit Inference [57.88785630755165]
コンテキストバンディットアルゴリズムは、電子商取引、医療、政策立案における非適応的なA/Bテストを置き換える傾向にある。
研究参加者の成果を改善することもでき、良い方針や最良の政策を特定できる可能性を高めることもできる。
研究の終盤における新規介入の信頼性推論を支援するため, 平均治療効果, サブグループ効果, あるいは新政策の価値について, 有効な信頼区間を構築したい。
論文 参考訳（メタデータ） (2021-06-01T12:01:51Z)
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。