論文の概要: Hypothesis Frontier: Verifier Guided LLM and Symbolic Search for First-Order Induction

• arxiv url: http://arxiv.org/abs/2608.10843v1
• Date: Tue, 11 Aug 2026 12:13:35 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-12 19:14:46.036169
• Title: Hypothesis Frontier: Verifier Guided LLM and Symbolic Search for First-Order Induction
• Title（参考訳）: 仮説フロンティア:検証用LLMと一階誘導のシンボリックサーチ
• Abstract要約: 一階の概念合成は、ラベル付きオブジェクトをいくつかの有限リレーショナル構造に対して一貫して分類する1つの公式を推論するようにシステムに要求する。 本稿では,各学習対象のLSM式を評価する検証器誘導型ニューロシンボリックフレームワークであるPhythesis Frontierを紹介する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: First-order concept synthesis asks a system to infer one formula that classifies labeled objects consistently across several finite relational structures. Every candidate can be evaluated exactly, but quantified first-order formulas form a vast search space, and LLM outputs are often semantically promising without being fully correct. We introduce Hypothesis Frontier, a verifier-guided neurosymbolic framework that evaluates each LLM formula on every training object, retains the strongest verified hypothesis across rounds, and uses its remaining errors to guide subsequent generation. Symbolic processing repairs invalid formulas while remaining anchored to the LLM-generated hypothesis, and simplifies train-valid formulas without changing any training prediction. Under matched models, problem sets, and LLM-round budgets, Hypothesis Frontier solves substantially more problems than repeated original-prompt generation. After the final formulas are selected, exact simplification shortens many train-valid formulas while preserving every training prediction. Exact symbolic reasoning therefore helps both to solve more induction problems and to compress many of the resulting formulas.
• Abstract（参考訳）: 一階の概念合成は、ラベル付きオブジェクトをいくつかの有限リレーショナル構造に対して一貫して分類する1つの公式を推論するようにシステムに要求する。 任意の候補を正確に評価できるが、量子化された一階述語式は広大な探索空間を形成し、LLMの出力は完全な正当性を持たずに意味的に有望であることが多い。 本稿では,各学習対象のLSM式を評価し,各ラウンドにおいて最強の検証仮説を保ち,残りのエラーを用いてその後の世代を導出する検証対象誘導型ニューロシンボリックフレームワークであるPhythesis Frontierを紹介する。 記号処理は、LLM生成仮説に固定されたまま、不正な公式を修復し、トレーニング予測を変更することなく、列車の無効な公式を単純化する。 一致したモデル、問題セット、LLMの予算の下では、仮説フロンティアは繰り返しオリジナル・プロンプト生成よりもかなり多くの問題を解く。 最終式が選択された後、正確な単純化により、全てのトレーニング予測を保ちながら、多くの列車価式が短縮される。 したがって、厳密な記号的推論はより帰納的な問題を解くのに役立ち、結果として得られる公式の多くを圧縮するのに役立ちます。

関連論文リスト

• NxN E-valuation: Hypothesis Certification via a Conformal CRT Null [7.215201796507224]
  提案するNxN E-valuationは,e-value-based hypothesis-certificationアルゴリズムである。 ケース固有の認証手順を構築することなく、仮説を検証できる。 NxNのE評価は特にLLMベースの探査システムに適している。
  論文  参考訳（メタデータ） (2026-08-06T22:14:53Z)
• Learning to Reason with Curriculum II: Compositional Generalization [27.242998212645784]
  本稿では,本シリーズのパートIに基づく自己計算に基づくアプローチが,直接手法よりも高い統計的複雑性を実現することを示す。 教師付き微調整(SFT)にインスパイアされた設定のために、カリキュラムは監督トークンの2$mathcalO(sqrtlog T)から学習を容易にする。 検証可能な報酬付き強化学習(RLVR)にインスパイアされた設定では、カリキュラムが参照モデルの要件を全列長のカバレッジから短いブロック長のカバレッジまで削減することを示す。
  論文  参考訳（メタデータ） (2026-06-26T05:09:08Z)
• From Residuals to Reasons: LLM-Guided Mechanism Inference from Tabular Data [10.795877029195845]
  科学的応用のための機械学習における永続的な課題は、予測と理解を共同で達成することである。 マルチエージェント残差文脈学習(MARICL)を導入する。 MARICLは、すべてのデータセットのベースモデルに対して一貫して改善されている。
  論文  参考訳（メタデータ） (2026-05-21T15:34:08Z)
• Reaching Beyond the Mode: RL for Distributional Reasoning in Language Models [78.68818219506313]
  本稿では,複数解に対する分布推論を行うための多解補足学習手法について述べる。 質問応答, 診断, コーディングベンチマークを通じて, 単一回答学習ベースラインと比較して, 多様性, カバレッジ, 設定レベルの校正スコアが向上した。
  論文  参考訳（メタデータ） (2026-03-25T22:20:25Z)
• Provable Benefit of Curriculum in Transformer Tree-Reasoning Post-Training [76.12556589212666]
  学習後のカリキュラムは指数関数的複雑性のボトルネックを回避していることを示す。 結果のみの報酬信号の下では、強化学習の微調整は、サンプルの複雑さを高い精度で達成する。 カリキュラムを意識したクエリにより、報奨託書の呼び出しとサンプリングコストの両方を指数関数的に削減するテストタイムスケーリングの保証を確立する。
  論文  参考訳（メタデータ） (2025-11-10T18:29:54Z)
• RL for Reasoning by Adaptively Revealing Rationales [36.50924054394857]
  監督された微調整(SFT)は密度の高い地下構造ラベルに依存しており、シーケンスの長さが大きくなるにつれてコストが増大する。 AdaBack(アダプティブ・バックトラック)は,学習中の目標出力の部分的なプレフィックスのみを明らかにする,サンプルごとのカリキュラム学習アルゴリズムである。 部分解に対する適応的なカリキュラムは、そうでなければ難解な問題を確実に解決することを示します。
  論文  参考訳（メタデータ） (2025-06-22T17:46:14Z)
• The First Few Tokens Are All You Need: An Efficient and Effective Unsupervised Prefix Fine-Tuning Method for Reasoning Models [69.798277882245]
  大規模言語モデルの推論効率を向上させるために,Unsupervised Prefix Fine-Tuning (UPFT)を導入した。 UPFTはラベル付きデータや徹底的なサンプリングの必要性を取り除く。 実験の結果,UPFTは教師付き手法の性能と一致していることがわかった。
  論文  参考訳（メタデータ） (2025-03-04T18:56:03Z)
• Lachesis: Predicting LLM Inference Accuracy using Structural Properties of Reasoning Paths [12.377041655669728]
  自己整合性に基づくLLM推論の予測モデルであるLachesisを紹介する。 我々は,最近提案されたLLMに基づく障害局所化手法であるAutoFLを用いて実験的に評価した。 結果は、Lachesisが解の正しさを最大0.8136の精度で予測できることを示唆している。
  論文  参考訳（メタデータ） (2024-12-11T10:56:47Z)
• Unveiling the Statistical Foundations of Chain-of-Thought Prompting Methods [59.779795063072655]
  CoT(Chain-of-Thought)の促進とその変種は、多段階推論問題を解決する効果的な方法として人気を集めている。 統計的推定の観点からCoTのプロンプトを解析し,その複雑さを包括的に評価する。
  論文  参考訳（メタデータ） (2024-08-25T04:07:18Z)
• A Hybrid System for Systematic Generalization in Simple Arithmetic Problems [70.91780996370326]
  本稿では,記号列に対する合成的および体系的推論を必要とする算術的問題を解くことができるハイブリッドシステムを提案する。 提案システムは,最も単純なケースを含むサブセットでのみ訓練された場合においても,ネストした数式を正確に解くことができることを示す。
  論文  参考訳（メタデータ） (2023-06-29T18:35:41Z)
• Linear Temporal Logic Modulo Theories over Finite Traces (Extended Version) [72.38188258853155]
  有限トレース(LTLf)上の線形時間論理について検討する。 命題の文字は任意の理論で解釈された一階述語式に置き換えられる。 Satisfiability Modulo Theories (LTLfMT) と呼ばれる結果の論理は半決定可能である。
  論文  参考訳（メタデータ） (2022-04-28T17:57:33Z)

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。