論文の概要: ORDDAR: Observation-Driven Reasoning for Distortion-Resilient Decision, Action, and Cognitive Recovery
- arxiv url: http://arxiv.org/abs/2608.28704v1
- Date: Thu, 27 Aug 2026 17:05:54 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-01 18:31:30.721323
- Title: ORDDAR: Observation-Driven Reasoning for Distortion-Resilient Decision, Action, and Cognitive Recovery
- Title（参考訳）: ORDDAR: 歪み耐性判定, 行動, 認知的回復のための観察駆動推論
- Abstract要約: ORDDARモデルは認知状態遷移を推論し、局所的な歪みを検出し、以前の経験から関連する推論を回収し、影響を受ける状態のみを修復する。
数学、常識、マルチホップ、臨床推論のベンチマークによる実験では、推論の品質、回復能力、解釈可能性が改善された。
- 参考スコア（独自算出の注目度）: 0.5999777817331317
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: AI agents increasingly perform long-term reasoning, planning, tool use, memory integration, and autonomous decision making, yet erroneous intermediate states can propagate and cause inconsistent decisions and unreliable outputs. Existing reasoning approaches mainly rely on iterative planning, self-reflection, augmented memory, or verification, but rarely localize and selectively repair faulty reasoning. We present ORDDAR (Observation-Driven Reasoning for Distortion-Resilient Decision, Action, and Cognitive Recovery), a reasoning framework that models reasoning as cognitive state transitions, detects localized distortions, retrieves related reasoning from prior experiences, and repairs only the affected states. ORDDAR therefore performs recovery at the local reasoning-transition level rather than regenerating the complete trajectory. Experiments across mathematical, commonsense, multi-hop, and clinical reasoning benchmarks demonstrate improved reasoning quality, recovery ability, and interpretability over multiple evaluated reasoning baselines.
- Abstract（参考訳）: AIエージェントは、長期的推論、計画、ツールの使用、メモリ統合、自律的な意思決定をますます実行しますが、誤った中間状態は、一貫性のない決定と信頼性の低いアウトプットを伝播させます。
既存の推論アプローチは主に反復計画、自己回帰、拡張メモリ、検証に頼っているが、ローカライズと選択的に故障推論を修復することは滅多にない。
本稿では、認知状態遷移として推論をモデル化し、局所的歪みを検出し、先行経験から関連する推論を回収し、影響を受ける状態のみを修復する論理的枠組みであるORDDAR(Observation-Driven Reasoning for Distortion-Resilient Decision, Action, and Cognitive Recovery)を提案する。
したがって、ORDDARは完全な軌道を再生するのではなく、局所的な推論-遷移レベルで回復を行う。
数学的、コモンセンス、マルチホップ、臨床推論のベンチマークによる実験では、複数の評価された推論ベースラインに対する推論品質、回復能力、解釈可能性の改善が示されている。
関連論文リスト
- EvoThink: Evolving Thinking in Large Reasoning Models via Self-Pruning and Aha-Moment Preference Optimization [23.37325724250601]
大規模な推論モデル(LRM)は、冗長な検証ステップのために過度に検討されることが多い。
冗長な検証を減らし,新たな推論経路の探索を促すフレームワークであるEvoThinkを提案する。
論文 参考訳（メタデータ） (2026-07-22T09:40:22Z) - Learning to Refine Hidden States for Reliable LLM Reasoning [0.21485350418225244]
大規模言語モデルは強力な推論能力を示すが、複雑な多段階設定では内部推論プロセスは不安定である。
本稿では,復号化前に隠蔽表現を反復的に更新する強化誘導潜時改善フレームワークReLARを提案する。
論文 参考訳（メタデータ） (2026-06-16T05:03:27Z) - 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) - When Is Thinking Enough? Early Exit via Sufficiency Assessment for Efficient Reasoning [52.21239821135325]
本稿では、効率的な推論のための新しいフレームワークDTSR(Dynamic Thought Sufficiency in Reasoning)を紹介する。
人間のメタ認知にインスパイアされたDTSRは、リフレクションシグナルモニタリングとThought Sufficiency Checkという2つの段階で動作する。
DTSRは推論長を28.9%から34.9%削減し、性能損失を最小限に抑えている。
論文 参考訳（メタデータ） (2026-04-08T07:56:28Z) - Learning Structured Reasoning via Tractable Trajectory Control [99.75278337895024]
Ctrl-Rは、トラクタブルな軌道制御を通じて構造化推論を学ぶためのフレームワークである。
Ctrl-Rは,従来達成できなかった推論パターンを効果的に探索し,内部化することができることを示す。
論文 参考訳（メタデータ） (2026-03-02T09:18:19Z) - Structured Reasoning for Large Language Models [59.215789462977206]
本研究では、推論を明示的、評価可能、トレーニング可能なコンポーネントに分解するフレームワークであるStructured Reasoning(SCR)を提案する。
SCRは推論効率と自己検証を大幅に改善する。
既存の推論パラダイムと比較して、出力トークンの長さを最大50%削減する。
論文 参考訳（メタデータ） (2026-01-12T04:04:01Z) - Adversarial Yet Cooperative: Multi-Perspective Reasoning in Retrieved-Augmented Language Models [72.4149653187766]
本稿ではAdrialversa Reasoning RAG(ARR)というReasoner-Verifierフレームワークを提案する。
ReasonerとVerifierは、回収された証拠を推論し、プロセス認識の利点によってガイドされながら、互いの論理を批判する。
複数のベンチマーク実験により,本手法の有効性が示された。
論文 参考訳（メタデータ） (2026-01-08T06:57:03Z) - Reflective Confidence: Correcting Reasoning Flaws via Online Self-Correction [14.164508061248775]
大規模言語モデル(LLM)は、チェーン・オブ・ソートや自己整合性といった技術を用いて、複雑な推論タスクにおいて強力なパフォーマンスを実現している。
本稿では,低信頼信号を終端指標からリフレクショントリガに変換する新しい推論フレームワークであるリフレクティブ信頼を提案する。
AIME 2025を含む数学的推論ベンチマークの実験では、高度な早期停止ベースラインに対して、同等の計算コストで大幅に精度が向上した。
論文 参考訳（メタデータ） (2025-12-21T05:35:07Z) - MR-Align: Meta-Reasoning Informed Factuality Alignment for Large Reasoning Models [43.872922223495586]
大きな推論モデル(LRM)は複雑な推論において強い能力を示すが、証拠に依存した事実問題に対する限界的な利得は限られている。
この制限は、モデルが推論中に正しい事実を識別するが、最終的な応答にそれらを組み込むことができない、推論と問合せのギャップに起因する。
本稿では,外部検証に頼らずに事実性を高めるフレームワークMR-ALIGNを提案する。
論文 参考訳（メタデータ） (2025-10-27T15:00:54Z) - Lost at the Beginning of Reasoning [85.17612793300238]
第1の推論ステップが最終予測に不当に大きな影響を与えることを示す。
本稿では、報酬モデルを利用して高品質な第1推論ステップを特定し、維持する効率的なサンプリング戦略を提案する。
論文 参考訳（メタデータ） (2025-06-27T09:53:57Z) - ReaRAG: Knowledge-guided Reasoning Enhances Factuality of Large Reasoning Models with Iterative Retrieval Augmented Generation [38.64751082999587]
大きな推論モデル(LRM)は、顕著な推論能力を示すが、主にパラメトリック知識に依存し、事実の正確性を制限する。
本稿では,過剰な反復を伴わない多様なクエリを探索する,事実性強化推論モデルReaRAGを提案する。
我々の研究は、レトリーバル強化世代(RAG)のロバスト推論を効果的に統合しつつ、LRMの事実性を向上する。
論文 参考訳（メタデータ） (2025-03-27T17:44:18Z)
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。