論文の概要: Assessing LLMs' mathematical abilities requires understanding the various mechanisms of mathematical creativity
- arxiv url: http://arxiv.org/abs/2608.16118v1
- Date: Mon, 17 Aug 2026 05:22:13 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-18 19:59:03.544848
- Title: Assessing LLMs' mathematical abilities requires understanding the various mechanisms of mathematical creativity
- Title（参考訳）: LLMの数学的能力を評価するには、数学的創造性の様々なメカニズムを理解する必要がある
- Abstract要約: 数学的創造性は一つの能力ではなく、機械的に異なるいくつかの意味作りのモードである、と私は主張する。
私は、今日のモデルは、既存のビルディングブロックを組換えて検索することによって形作られたモードで、彼らの能力に集中することを提案します。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: How should we assess whether large language models can perform mathematical invention? I argue that this question is currently underspecified: mathematical creativity is not one capacity but several mechanistically distinct modes of meaning-making - reflexive introspection on mathematical practice, analogical import from the sciences, problem-driven construction, and the bridging of distant domains - together with a further, cross-cutting distinction between meaning pursued because a pattern was observed and meaning pursued because it is strategically wanted, a distinction I develop through the case of conjecture-formation. These mechanisms are likely non-substitutable, so that competence in one does not transfer to the others. Grounding each in a historical case study and in an architecture-level account of current transformer-based systems, I suggest that today's models concentrate their competence in modes shaped by recombination and search over existing building blocks; if that description holds, the remaining modes are out of reach in principle, not just slower - though whether it holds is itself the open, empirical part. Because proof is getting cheaper as AI improves at generating it - a shift the field's own leading voices are now diagnosing - mathematical value is migrating toward the modes current systems cannot yet perform, and evaluations of AI mathematical ability should be organized around this taxonomy rather than around aggregate benchmarks that conflate it.
- Abstract（参考訳）: 大規模言語モデルが数学的発明を実現するにはどうすればよいか?
数学的創造性は、一つの能力ではなく、いくつかの機械学的に異なる意味作りのモード - 数学的実践に対する反射的な内省、科学からの類似的な輸入、問題駆動型構築、そして遠い領域のブリッジング - が、パターンが観察され、それが戦略的に望まれているために追求された意味の横断的な区別とともに、私は予想形成のケースを通じて発展する。
これらの機構は、おそらく置換不可能であるため、一方の能力が他方に転移しない。
歴史的ケーススタディと、現在のトランスフォーマーベースのシステムのアーキテクチャレベルの観点から、今日のモデルでは、既存のビルディングブロックを組換えて探索することで形作られたモードに、その能力が集中していることを示唆します。
AIの生成が向上するにつれて、証明のコストが安くなっている - フィールドの先頭の音声のシフトが診断されている – 数学的な価値が現在のシステムでは実行できないモードへと移行しているため、AIの数学的能力の評価は、それを説明する集約ベンチマークではなく、この分類の周りで実施されるべきである。
関連論文リスト
- From Solvers to Research: Large Language Model-Driven Formal Mathematics at the Research Frontier [109.93387172162984]
AI4Mathシステムの次の飛躍は、事前に定義された問題解決者から研究エージェントへの決定的なシフトを必要とする。
この分野の体系的なレビューを行い、データセット、自動形式化、証明合成について紹介する。
論文 参考訳（メタデータ） (2026-07-08T17:46:36Z) - An Introduction to Causal Reinforcement Learning [58.680653905480284]
因果推論と強化学習は、同じビルディングブロックの異なる側面、すなわち反実的関係で機能する。
私たちは、オンライン、オフ政治、因果計算学習など、さまざまな学習方法の統一的な治療を受けました。
具体的には、政策学習を一般化した因果レンズを用いて、介入すべき場所、模倣学習、反事実学習を紹介し、議論する。
論文 参考訳（メタデータ） (2026-06-23T05:28:33Z) - Math Takes Two: A test for emergent mathematical reasoning in communication [1.2891210250935148]
Math Takes Twoは、コミュニケーションによる数学的推論の出現を評価するために設計された新しいベンチマークである。
ヒトの数学的認知は、正確なコミュニケーションの必要性に共進化したという仮説に触発され、我々のベンチマークは、従来の数学的知識のない2つのエージェントが共通のシンボルプロトコルを開発できるかどうかを検証した。
論文 参考訳（メタデータ） (2026-03-30T08:28:48Z) - Algebraic Quantum Intelligence: A New Framework for Reproducible Machine Creativity [1.9823694436716954]
大規模言語モデル (LLM) は、流動的で文脈的に適切なテキストを生成することに成功している。
本稿では,意味空間の体系的拡張を可能にする計算フレームワークとして代数量子インテリジェンス(AQI)を提案する。
論文 参考訳（メタデータ） (2026-02-15T13:02:57Z) - Semantic Attractors and the Emergence of Meaning: Towards a Teleological Model of AGI [0.0]
このエッセイは、複雑な意味空間における意味的誘引者の概念に基づく意味的汎用知能(AGI)の理論的枠組みを開発する。
論文 参考訳（メタデータ） (2025-08-21T19:57:52Z) - Thinking Machines: Mathematical Reasoning in the Age of LLMs [0.0]
大規模言語モデル(LLM)は構造化推論や記号的タスクにおいて顕著な能力を示している。
この記事では、最近のモデルとベンチマークに焦点を当て、機械学習と数学的認知の交差における3つの中心的な課題について考察する。
論文 参考訳（メタデータ） (2025-08-01T09:31:48Z) - Hierarchical Invariance for Robust and Interpretable Vision Tasks at Larger Scales [54.78115855552886]
本稿では、畳み込みニューラルネットワーク(CNN)のような階層型アーキテクチャを用いて、オーバーコンプリート不変量を構築する方法を示す。
オーバーコンプリート性により、そのタスクはニューラルアーキテクチャサーチ(NAS)のような方法で適応的に形成される。
大規模で頑健で解釈可能な視覚タスクの場合、階層的不変表現は伝統的なCNNや不変量に対する効果的な代替物とみなすことができる。
論文 参考訳（メタデータ） (2024-02-23T16:50:07Z) - Endogenous Macrodynamics in Algorithmic Recourse [52.87956177581998]
対実説明(CE)とアルゴリズム・リコース(AR)に関する既存の研究は、静的環境における個人に主に焦点を当ててきた。
既存の方法論の多くは、一般化されたフレームワークによってまとめて記述できることを示す。
次に、既存のフレームワークは、グループレベルでの言論の内在的ダイナミクスを研究する際にのみ明らかとなるような、隠された対外的関係のコストを考慮に入れていないと論じる。
論文 参考訳（メタデータ） (2023-08-16T07:36:58Z) - Generative Models as a Complex Systems Science: How can we make sense of
large language model behavior? [75.79305790453654]
事前訓練されたモデルから望ましい振る舞いを排除し、望ましくないモデルを避けながら、NLPを再定義した。
言語モデルの振る舞いをタスク間性能を説明するカテゴリに分解する体系的な取り組みについて論じる。
論文 参考訳（メタデータ） (2023-07-31T22:58:41Z) - How Do Transformers Learn Topic Structure: Towards a Mechanistic
Understanding [56.222097640468306]
我々は、トランスフォーマーが「意味構造」を学ぶ方法の機械的理解を提供する
数学的解析とウィキペディアデータの実験を組み合わせることで、埋め込み層と自己保持層がトピック構造をエンコードしていることを示す。
論文 参考訳（メタデータ） (2023-03-07T21:42:17Z) - From Undecidability of Non-Triviality and Finiteness to Undecidability
of Learnability [0.0]
新たに提案したモデルが実際にデータから学べるかどうかを厳格に評価するための汎用的な手順は存在しないことを示す。
PACバイナリ分類、一様および普遍的なオンライン学習、教師と教師の相互作用による正確な学習では、学習性は一般に決定不可能である。
機械学習モデルが成功するかどうかを決定するのに、すべてに適したアルゴリズムは存在しない。
論文 参考訳（メタデータ） (2021-06-02T18:00:04Z)
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。