Fugu-MT 論文翻訳(概要): Explanations, Prompts, and Formalizations: Arguments for New Norms in LLM-Enabled Mathematical Research

論文の概要: Explanations, Prompts, and Formalizations: Arguments for New Norms in LLM-Enabled Mathematical Research

arxiv url: http://arxiv.org/abs/2608.29401v1
Date: Sat, 29 Aug 2026 18:56:46 GMT
ステータス: 翻訳完了
システム内更新日: 2026-09-01 18:31:30.951978
Title: Explanations, Prompts, and Formalizations: Arguments for New Norms in LLM-Enabled Mathematical Research
Title（参考訳）: 説明, 証明, 形式化: LLMの数学的研究における新しいノルムの主張
Abstract要約: 数学コミュニティは、そのような結果の公表に関する規範と勧告を定式化した。どちらも不可欠である、と私は主張する。また, LLMで得られた結果を理解することは困難であるため, 直感的な説明を考案する責任がある。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/publicdomain/zero/1.0/
Abstract: As several mathematical conjectures have recently been settled using large language models (LLMs), the mathematical community has formulated norms and recommendations regarding the publishing of such results. These norms do not cover the disclosure of the prompts and precise software setup used to obtain those results, nor do they require that results be formalized in a manner that allows for machine verification. I argue that both of these are essential. In addition, since LLM-obtained results may be hard to understand, human authors have the responsibility to invent intuitive explanations.
Abstract（参考訳）: いくつかの数学的予想が最近、大言語モデル(LLM)を用いて解決されたため、数学コミュニティはそのような結果の公表に関する規範と勧告を定式化した。これらの規範は、これらの結果を得るために使用されるプロンプトと正確なソフトウェア設定の開示をカバーしておらず、また、結果がマシン検証を可能にする方法で形式化されることも要求しない。どちらも不可欠である、と私は主張する。また, LLMで得られた結果を理解することは困難であるため, 直感的な説明を考案する責任がある。

関連論文リスト

DRIFT: Decompose, Retrieve, Illustrate, then Formalize Theorems [14.568293842955065]
DRIFTは、非公式な数学的ステートメントをより小さく、より扱いやすい'サブコンポーネント'に分解するフレームワークである。これは、モデルが形式化タスクにおいてより効果的に前提を使用するのを助けるために、イラストラティブな定理を回収する。我々は,様々なベンチマーク(ProofNet,ConNF,MiniF2F-test)でDRIFTを評価し,前提条件の検索を継続的に改善することを発見した。
論文参考訳（メタデータ） (2025-10-12T21:42:04Z)
BrokenMath: A Benchmark for Sycophancy in Theorem Proving with LLMs [5.347237827669862]
大規模言語モデル(LLM)におけるサイコファンティック行動を評価するための最初のベンチマークであるBrokenMathを紹介する。我々は最先端のLCMとエージェントシステムの評価を行い、最も優れたモデルであるGPT-5を用いて、梅毒の29%の回答が得られた。
論文参考訳（メタデータ） (2025-10-06T11:41:46Z)
On LLM-Based Scientific Inductive Reasoning Beyond Equations [51.61971971921903]
LLMに基づく科学的帰納的推論の課題について提案する。我々は, LLMの帰納的推論能力を評価するために, SIRBench-V1 という新しいベンチマークを導入した。
論文参考訳（メタデータ） (2025-09-12T10:11:52Z)
InductionBench: LLMs Fail in the Simplest Complexity Class [53.70978746199222]
大規模言語モデル(LLM)は推論において顕著に改善されている。帰納的推論(inductive reasoning)は、観測されたデータから基礎となるルールを推測するものであり、まだ探索されていない。本稿では, LLMの帰納的推論能力を評価するための新しいベンチマークであるインジェクションベンチを紹介する。
論文参考訳（メタデータ） (2025-02-20T03:48:00Z)
RuleArena: A Benchmark for Rule-Guided Reasoning with LLMs in Real-World Scenarios [58.90106984375913]
RuleArenaは、大規模言語モデル(LLM)が推論において複雑な現実世界のルールに従う能力を評価するために設計された、新しくて挑戦的なベンチマークである。航空会社の荷物手数料、NBA取引、税制の3つの実践的領域をカバーするルールアリーナは、複雑な自然言語命令を扱うのにLLMの習熟度を評価する。
論文参考訳（メタデータ） (2024-12-12T06:08:46Z)
Don't Trust: Verify -- Grounding LLM Quantitative Reasoning with Autoformalization [45.439933713342256]
大規模言語モデル(LLM)は、数学的な量的推論問題を解く能力がますます高まっている。 LLMのトレーニングコーパスが十分に多くの形式数学の例を含むなら、それらが形式的イザベル符号に翻訳するように促すことができるという事実を活用する。これは、形式化されたバージョンが内部や形式化された問題ステートメントと矛盾するソリューションを自動的に拒否するメカニズムを提供する。
論文参考訳（メタデータ） (2024-03-26T22:01:13Z)
GSM-Plus: A Comprehensive Benchmark for Evaluating the Robustness of LLMs as Mathematical Problem Solvers [68.77382332826167]
大規模言語モデル (LLM) は、様々な数学的推論ベンチマークで顕著な性能を達成している。 1つの必須かつ頻繁な証拠は、数学の質問がわずかに変更されたとき、LLMは誤って振る舞うことができることである。このことは, LLMの数学推論能力の頑健性を評価するために, 幅広い質問のバリエーションを試すことによるものである。
論文参考訳（メタデータ） (2024-02-29T15:26:14Z)
LeanDojo: Theorem Proving with Retrieval-Augmented Language Models [72.54339382005732]
大規模言語モデル(LLM)は、Leanのような証明アシスタントを使って形式的な定理を証明することを約束している。既存のメソッドは、プライベートコード、データ、計算要求のために、複製や構築が難しい。本稿では、ツールキット、データ、モデルからなるオープンソースのリーンツールキットであるLeanDojoを紹介します。本研究では,LLM ベースの証明器 ReProver を開発した。
論文参考訳（メタデータ） (2023-06-27T17:05:32Z)
Masked Language Modeling and the Distributional Hypothesis: Order Word Matters Pre-training for Little [74.49773960145681]
マスク言語モデル(MLM)トレーニングの印象的なパフォーマンスの可能な説明は、そのようなモデルがNLPパイプラインで広く普及している構文構造を表現することを学びました。本稿では,先行訓練がダウンストリームタスクでほぼ完全に成功する理由として,高次単語共起統計をモデル化できることを挙げる。以上の結果から,純粋分布情報は,事前学習の成功を主に説明し,深い言語知識を必要とする難易度評価データセットのキュレーションの重要性を強調する。
論文参考訳（メタデータ） (2021-04-14T06:30:36Z)
Where Is the Normative Proof? Assumptions and Contradictions in ML Fairness Research [2.6397379133308214]
Across machine learning (ML) sub-disciplines 研究者は、証明記述を容易にする数学的仮定を作成する。数学的仮定が適用性を制限する方法と同様に、規範的仮定は特定の問題領域に対するアルゴリズムの適用性も制限する。規範的な仮定が明確化されれば、不明確な結果や矛盾した結果が得られることがよくあります。
論文参考訳（メタデータ） (2020-10-20T16:13:46Z)

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。