論文の概要: From Errors to Rules: Iterative Prompt Optimization for Text Classification

• arxiv url: http://arxiv.org/abs/2607.20497v1
• Date: Mon, 15 Jun 2026 23:39:06 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-27 00:46:13.202299
• Title: From Errors to Rules: Iterative Prompt Optimization for Text Classification
• Title（参考訳）: 誤りからルールへ:テキスト分類のための反復的プロンプト最適化
• Abstract要約: エラーガイド最適化(Error-Guided Optimization、ERGO)は、分類失敗を診断し、対象とする決定ルールを生成するエラー駆動方式である。 ERGOは、エラーが特定の混乱ラベルペアに集中するタスクにおいて、最高の精度を達成する。 タスク特性を最適パラダイム選択にリンクする補完的なフレームワークを提供し、実践者に対して実践的なガイダンスを提供する。
• 参考スコア（独自算出の注目度）: 2.952559770088323
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Prompt optimization for text classification spans diverse approaches, from demonstration selection to exploration-based search to error-driven diagnosis, each with known but incompletely characterized strengths and limitations. We conduct a comprehensive empirical study across diverse classification benchmarks (2 to 150 classes) comparing these paradigms through both quantitative evaluation and qualitative analysis of optimization traces, revealing that each paradigm excels on structurally different task types and that no single method dominates. Guided by these insights, we propose Error-Guided Optimization (ERGO), an error-driven method that iterates over the full training set in non-overlapping batches, diagnoses classification failures, and generates targeted decision rules through a diagnose-prescribe-rewrite feedback loop. ERGO achieves the best accuracy on tasks where errors concentrate in specific confused label pairs (which we term boundary-learnable tasks): TREC: 90.0%, CLINC150: 94.4%, converges in 3-5 iterations, and produces interpretable decision rules. While ERGO does not achieve the highest overall average, it fills a complementary role: demonstration-based ICL wins on coverage-dependent tasks, exploration-based search wins on many-class intent, and ERGO wins where decision boundaries are learnable from error patterns. We provide a complementarity framework linking task characteristics to optimal paradigm selection, offering practical guidance for practitioners.
• Abstract（参考訳）: テキスト分類のプロンプト最適化は、実証選択から探索に基づく探索からエラー駆動診断まで、様々なアプローチにまたがっている。 我々は,これらのパラダイムを定量的評価と最適化トレースの定性解析の両方を通じて比較し,各パラダイムが構造的に異なるタスクタイプに優れており,単一のメソッドが支配的でないことを明らかにする。 これらの知見に導かれて,非重複バッチにおける全トレーニングセットを反復するエラー駆動手法であるエラーガイド最適化(ERGO)を提案し,分類失敗を診断し,診断-予約-リライトフィードバックループを通じて目標決定ルールを生成する。 ERGOは、エラーが特定の混乱ラベルペアに集中するタスク(境界学習可能なタスクと呼ぶ):TREC: 90.0%、CLINC150:94.4%、3～5イテレーションに収束し、解釈可能な決定ルールを生成する。 デモベースのICLはカバレッジに依存したタスクに勝利し、探索ベースの検索は多くのクラスの意図に勝利し、ERGOはエラーパターンから決定境界を学習できる。 タスク特性を最適パラダイム選択にリンクする補完的なフレームワークを提供し、実践者に対して実践的なガイダンスを提供する。

関連論文リスト

• The Latent Diagnostic Taxonomy: A Framework for Constructing Classifiers and Diagnosing Their Decisions, Applied to Prompt Injection Detection [0.0]
  本稿では,分類器をセーフガード層として構築し,補完的な診断を行うためのフレームワークを提案する。 フレームワークを公開プロンプトインジェクションデータセットに適用すると、自信のある決定のかなりの部分が単一のトークンを削除しても堅牢ではないことが分かります。 分類学の各分野において、診断されたプロンプトを修復するための戦略を推奨する。
  論文  参考訳（メタデータ） (2026-08-26T21:55:15Z)
• Optimizing In-Context Demonstrations for LLM-based Automated Grading [31.353360036776976]
  GUIDE(Grading Using Iteratively Designed Exemplars)は、経験的選択と改善を境界中心の最適化問題として再設計するフレームワークである。 物理, 化学, 教育的内容知識の実験において, GUIDE は標準的検索基準を著しく上回っていることを示す。
  論文  参考訳（メタデータ） (2026-02-28T04:52:38Z)
• Optimal Baseline Corrections for Off-Policy Contextual Bandits [61.740094604552475]
  オンライン報酬指標の偏りのないオフライン推定を最適化する意思決定ポリシーを学習することを目指している。 学習シナリオにおける同値性に基づく単一のフレームワークを提案する。 我々のフレームワークは、分散最適非バイアス推定器の特徴付けを可能にし、それに対する閉形式解を提供する。
  論文  参考訳（メタデータ） (2024-05-09T12:52:22Z)
• Understanding and Mitigating Classification Errors Through Interpretable Token Patterns [58.91023283103762]
  容易に解釈可能な用語でエラーを特徴付けることは、分類器が体系的なエラーを起こす傾向にあるかどうかを洞察する。 正しい予測と誤予測を区別するトークンのパターンを発見することを提案する。 提案手法であるPremiseが実際によく動作することを示す。
  論文  参考訳（メタデータ） (2023-11-18T00:24:26Z)
• Best-Effort Adaptation [62.00856290846247]
  本稿では, 試料再重み付け法に関する新しい理論的解析を行い, 試料再重み付け法を一様に保持する境界について述べる。 これらの境界が、我々が詳細に議論する学習アルゴリズムの設計を導く方法を示す。 本稿では,本アルゴリズムの有効性を実証する一連の実験結果について報告する。
  論文  参考訳（メタデータ） (2023-05-10T00:09:07Z)
• Fair and Optimal Classification via Post-Processing [10.163721748735801]
  本稿では、分類問題における人口統計学の特質的トレードオフの完全な評価について述べる。 ランダム化および属性認識フェア分類器によって達成可能な最小誤差率は、ワッサーシュタイン・バリセンタ問題の最適値によって与えられることを示す。
  論文  参考訳（メタデータ） (2022-11-03T00:04:04Z)
• Contextual Active Model Selection [10.925932167673764]
  本稿では,ラベル付けコストを最小限に抑えつつ,事前学習したモデルを積極的に選択する手法を提案する。 目的は、ラベル要求を制限しながら予測を行う最良のモデルを適応的に選択することである。 2つの新しいコンポーネントに依存した文脈的アクティブモデル選択アルゴリズムであるCAMSを提案する。
  論文  参考訳（メタデータ） (2022-07-13T08:22:22Z)
• Learning Proximal Operators to Discover Multiple Optima [66.98045013486794]
  非家族問題における近位演算子を学習するためのエンドツーエンド手法を提案する。 本手法は,弱い目的と穏やかな条件下では,世界規模で収束することを示す。
  論文  参考訳（メタデータ） (2022-01-28T05:53:28Z)
• Towards Model-Agnostic Post-Hoc Adjustment for Balancing Ranking Fairness and Algorithm Utility [54.179859639868646]
  Bipartiteランキングは、ラベル付きデータから正の個人よりも上位の個人をランク付けするスコアリング機能を学ぶことを目的としている。 学習したスコアリング機能が、異なる保護グループ間で体系的な格差を引き起こすのではないかという懸念が高まっている。 本稿では、二部構成のランキングシナリオにおいて、それらのバランスをとるためのモデル後処理フレームワークを提案する。
  論文  参考訳（メタデータ） (2020-06-15T10:08:39Z)
• Progressive Identification of True Labels for Partial-Label Learning [112.94467491335611]
  部分ラベル学習(Partial-label Learning, PLL)は、典型的な弱教師付き学習問題であり、各トレーニングインスタンスには、真のラベルである候補ラベルのセットが設けられている。 既存のほとんどの手法は、特定の方法で解決しなければならない制約付き最適化として精巧に設計されており、計算複雑性をビッグデータにスケールアップするボトルネックにしている。 本稿では,モデルと最適化アルゴリズムの柔軟性を備えた分類器の新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2020-02-19T08:35:15Z)
• Outlier Detection Ensemble with Embedded Feature Selection [42.8338013000469]
  組込み特徴選択(ODEFS)を用いた外乱検出アンサンブルフレームワークを提案する。 各ランダムなサブサンプリングベースの学習コンポーネントに対して、ODEFSは、特徴選択と外れ値検出をペアのランキング式に統一する。 我々は、特徴選択と例選択を同時に最適化するために閾値付き自己評価学習を採用する。
  論文  参考訳（メタデータ） (2020-01-15T13:14:10Z)

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。