論文の概要: SALA: Semantic-Aware Logical Alignment for Complex Reasoning in In-Context Learning

• arxiv url: http://arxiv.org/abs/2609.02336v1
• Date: Wed, 02 Sep 2026 09:12:03 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-03 17:53:18.211933
• Title: SALA: Semantic-Aware Logical Alignment for Complex Reasoning in In-Context Learning
• Title（参考訳）: SALA:文脈内学習における複雑な推論のための意味認識論理的アライメント
• Abstract要約: セマンティック・アウェア・論理アライメント・フレームワークであるSALAを提案する。 固定在庫に頼る代わりに、SALAはタスク固有の推論操作を自動的に学習する。 その後、これらの操作を連続的なセマンティック空間に埋め込み、動的時間ワープを使用して推論シーケンスを整列する。
• 参考スコア（独自算出の注目度）: 61.13104919370034
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Effective in-context learning (ICL) for complex reasoning relies on selecting the right demonstrations. Traditional retrieval methods based on surface similarity fail to capture the underlying problem-solving logic. Recent logic-based methods address this by matching predefined reasoning steps, but the rigid rules and exact-match criteria is improper to handle flexible or diverse reasoning processes. To address the problem, we propose SALA, a Semantic-Aware Logical Alignment framework. Instead of relying on a fixed inventory, SALA automatically learns task-specific reasoning operations. It then embeds these operations into a continuous semantic space and uses dynamic time warping (DTW) to align the reasoning sequences. This approach allows for soft, flexible matching of reasoning logic while remaining highly interpretable. Experiments across four reasoning benchmarks and three LLMs demonstrate that SALA outperforms existing demonstration selection methods. Further analysis confirms the roles of the operation induction and the logical semantic alignment.
• Abstract（参考訳）: 複雑な推論に有効なインコンテキスト学習(ICL)は、正しい実演を選択することに依存する。 表面的類似性に基づく従来の検索手法は、根底にある問題解決ロジックを捉えるのに失敗する。 近年の論理ベースの手法では、事前定義された推論ステップを一致させることでこの問題に対処しているが、厳密なルールと正確なマッチング基準は、柔軟な推論プロセスや多様な推論プロセスを扱うのに不適切である。 そこで本研究では,セマンティック・アウェア・論理アライメント・フレームワークであるSALAを提案する。 固定在庫に頼る代わりに、SALAはタスク固有の推論操作を自動的に学習する。 その後、これらの操作を連続的なセマンティック空間に埋め込み、動的時間ワープ(DTW)を使用して推論シーケンスを整列する。 このアプローチは、高度に解釈可能なまま、推論論理のソフトで柔軟なマッチングを可能にする。 4つの推論ベンチマークと3つのLCMによる実験は、SALAが既存の実証選択方法より優れていることを示した。 さらなる分析により、操作誘導と論理的意味的アライメントの役割が確認される。

関連論文リスト

• Semiotic logical hexagon theory for LLM logical reasoning [15.42414269675365]
  大規模言語モデル(LLM)における意味的組織が論理的推論に与える影響について検討する。 本稿では,自然言語文の意味を整理し,構造化された検証を通して論理的推論を導くフレームワークであるHexLogicAgentを提案する。 挑戦的な論理的推論ベンチマークの実験は、HexLogicAgentが複数のLLMにわたる推論信頼性を一貫して改善していることを示している。
  論文  参考訳（メタデータ） (2026-07-24T03:10:34Z)
• Discovering a Shared Logical Subspace: Steering LLM Logical Reasoning via Alignment of Natural-Language and Symbolic Views [16.869958532486258]
  大規模言語モデル(LLM)は、多段階の論理的推論に苦戦している。 LLMには、自然言語とシンボリック言語ビューを同時に整合させる共通内部論理部分空間があるかどうかを問う。
  論文  参考訳（メタデータ） (2026-04-21T17:42:54Z)
• Process In-Context Learning: Enhancing Mathematical Reasoning via Dynamic Demonstration Insertion [11.708864769915857]
  本稿では,リアルタイムな推論要求に応答して数学的推論を促進するプロセス・インコンテキスト・ラーニング(PICL)を提案する。 1)推論過程における意味論とエントロピーを分析し、そのコア特性を要約することにより、潜在的な混乱点を同定する。 混乱したコンテキストにマッチするデモプールから関連するデモを取得し、進行中の推論プロセスに直接挿入して、その後のステップをガイドする。
  論文  参考訳（メタデータ） (2026-01-17T09:20:06Z)
• Learning to Reason via Mixture-of-Thought for Logical Reasoning [56.24256916896427]
  Mixture-of-Thought (MoT) は、LLMが自然言語、コード、真理表の3つの相補的なモダリティにまたがる推論を可能にするフレームワークである。 MoT は,(1) 自己進化型 MoT トレーニング,(2) 3 つのモーダルの相乗効果を完全に活用してより良い予測を生成する MoT 推論,という2段階の設計を採用する。
  論文  参考訳（メタデータ） (2025-05-21T17:59:54Z)
• Order Doesn't Matter, But Reasoning Does: Training LLMs with Order-Centric Augmentation [57.570754504160305]
  本稿では,論理的推論における可換性に基づく順序中心のデータ拡張フレームワークを提案する。 秩序中心の拡張を利用することで、モデルはより柔軟で一般化された推論プロセスを開発することができる。
  論文  参考訳（メタデータ） (2025-02-27T09:25:50Z)
• LogiDynamics: Unraveling the Dynamics of Inductive, Abductive and Deductive Logical Inferences in LLM Reasoning [74.0242521818214]
  本稿では,大言語モデル(LLM)におけるインダクティブ(システム1)と帰納的/帰納的(システム2)の推論の比較力学を体系的に検討する。 我々は、制御されたアナログ推論環境、多様度(テキスト、視覚、記号)、難易度、タスク形式(MCQ/フリーテキスト)を利用する。 我々の分析によると、System 2のパイプラインは一般的に、特に視覚的/象徴的なモダリティや難しいタスクにおいて優れており、System 1はテキストやより簡単な問題に対して競争力がある。
  論文  参考訳（メタデータ） (2025-02-16T15:54:53Z)
• FSLI: An Interpretable Formal Semantic System for One-Dimensional Ordering Inference [0.9048611509540079]
  論理的推論の一次元順序付け問題を解くシステムを開発した。 自然言語の前提と候補文を一階述語論理に変換する。 BIGbenchの論理推論タスクでは100%の精度を実現し、AR-LSATの構文的に単純化されたサブセットでは88%の精度を実現している。
  論文  参考訳（メタデータ） (2025-02-12T13:58:42Z)
• H-STAR: LLM-driven Hybrid SQL-Text Adaptive Reasoning on Tables [56.73919743039263]
  本稿では,2段階のプロセスにシンボル的アプローチと意味的アプローチ(テキスト的アプローチ)を統合し,制約に対処する新しいアルゴリズムを提案する。 実験の結果,H-STARは3つの質問応答(QA)と事実検証データセットにおいて,最先端の手法を大幅に上回っていることがわかった。
  論文  参考訳（メタデータ） (2024-06-29T21:24:19Z)
• Disentangling Logic: The Role of Context in Large Language Model Reasoning Capabilities [31.728976421529577]
  包括的なドメイン集合からの抽象的および文脈的論理的問題に対するコントラストについて検討する。 我々は、標準的な命題論理、特に命題推論と帰納論理推論に焦点を当てる。 本実験は,LLMの論理的推論と真の推論能力に関する知見を提供することを目的としている。
  論文  参考訳（メタデータ） (2024-06-04T21:25:06Z)
• Large Language Models as an Indirect Reasoner: Contrapositive and Contradiction for Automated Reasoning [74.90592233107712]
  本稿では,直接推論 (DR) と間接推論 (IR) を並列な複数の推論経路として考慮し,最終解を導出する直接間接推論 (DIR) 手法を提案する。 我々のDIR法は単純だが有効であり、既存のCoT法と簡単に統合できる。
  論文  参考訳（メタデータ） (2024-02-06T03:41:12Z)
• Language Models can be Logical Solvers [99.40649402395725]
  論理解法の推論過程を直接エミュレートする新しい言語モデルであるLoGiPTを導入する。 LoGiPTは、導出的ソルバの見えない推論過程を明らかにして精錬することから導かれる、新しく構築された命令チューニングデータセットに基づいて微調整される。
  論文  参考訳（メタデータ） (2023-11-10T16:23:50Z)
• OPERA:Operation-Pivoted Discrete Reasoning over Text [33.36388276371693]
  OPERA(オペラ)は、機械読解のための操作駆動型離散推論フレームワークである。 推論能力と解釈可能性を促進するために、軽量なシンボル操作をニューラルモジュールとして使用する。 DROPとRACENumのデータセットの実験は、OPERAの推論能力を示している。
  論文  参考訳（メタデータ） (2022-04-29T15:41:47Z)

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。