論文の概要: Semantic Abstraction for Natural Language Inference: a Methodological Framework for Discovering and Compensating Semantic Knowledge and Reasoning Gaps in Large Language Models

• arxiv url: http://arxiv.org/abs/2609.26610v1
• Date: Tue, 22 Sep 2026 15:46:23 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-24 01:05:39.73352
• Title: Semantic Abstraction for Natural Language Inference: a Methodological Framework for Discovering and Compensating Semantic Knowledge and Reasoning Gaps in Large Language Models
• Title（参考訳）: 自然言語推論のための意味的抽象化:大規模言語モデルにおける意味的知識と推論ギャップの発見と補償のための方法論的枠組み
• Abstract要約: より高度な抽象レベルで新しい意味知識を構築するための方法論的枠組みを提案する。 提案手法は,NLI における LLM の意味的知識ギャップの発見と補償を可能にする。 我々のハイブリッドアプローチは、見過ごされた単語関係に注意を向け、モデルが欠落した情報を合成できるようにする。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Despite their outstanding performance on many NLP tasks, LLMs face serious challenges related to semantic abstraction. In this study, we are interested in understanding how LLMs leverage abstract semantic knowledge in natural language inference (NLI), which requires sophisticated linguistic capabilities to interpret implicit meanings, contextual conceptual relationships, and semantic connections between words and phrases. To this end, we propose a methodological framework for constructing new semantic knowledge at a higher level of abstraction, which we define under the notions of semantic compatibility and incompatibility for NLI. In this framework, the meaning of the lexical-semantic relations between the premise and the hypothesis is reconfigured to achieve a more flexible semantic network that induces different reasoning paths in LLMs. These new pathways show a consistent pattern of responses that allows agreement on a single response. The results demonstrate that our proposal allows to discover and compensate for LLMs' semantic knowledge gaps in NLI, achieving significant improvements in accuracy, exceeding 10% for some models, and in particular for the non-entailment class. It is essential to note that LLMs need structured knowledge and not just more data to bridge reasoning gaps. Our hybrid approach directs attention to overlooked word relationships, allowing models to synthesize missing information. We believe that the future lies not in increasing model size, but in creating a semantic scafolding that mimics the flexibility of human thinking. Hopefully, our proposal will enable the development of more robust agents and interpretable reasoning, guiding AI toward reliable language understanding.
• Abstract（参考訳）: 多くのNLPタスクにおける優れたパフォーマンスにもかかわらず、LLMはセマンティック抽象化に関する深刻な課題に直面している。 本研究では,LLMが自然言語推論(NLI)における抽象的意味知識をどのように活用するかを理解することに興味を持ち,暗黙的な意味や文脈的概念的関係,単語とフレーズ間の意味的関係を解釈するために洗練された言語機能を必要とする。 そこで本研究では,NLIのセマンティック・コンパチブルと非コンパチブルの概念に基づいて,より高度な抽象レベルで新しいセマンティック・ナレッジを構築するための方法論的枠組みを提案する。 この枠組みでは、前提と仮説の間の語彙-意味関係の意味を再構成し、LLMの異なる推論経路を誘導するより柔軟な意味ネットワークを実現する。 これらの新しい経路は、単一の応答に対する一致を可能にする一貫した応答パターンを示す。 その結果,提案手法により,NLIにおけるLLMの意味的知識ギャップの発見と補足が可能であり,精度が大幅に向上し,一部のモデルでは10%以上,特に非詳細クラスでは10%を超えることが示唆された。 LLMには、推論ギャップを埋めるだけのデータだけでなく、構造化された知識が必要であることに注意する必要がある。 我々のハイブリッドアプローチは、見過ごされた単語関係に注意を向け、モデルが欠落した情報を合成できるようにする。 未来はモデルのサイズを拡大することではなく、人間の思考の柔軟性を模倣する意味的なスキャフォールディングを作ることにある、と私たちは信じています。 願わくば、我々の提案はより堅牢なエージェントの開発と解釈可能な推論を可能にし、信頼できる言語理解に向けてAIを導く。

関連論文リスト

• Shaping Schema via Language Representation as the Next Frontier for LLM Intelligence Expanding [88.11781604392606]
  本稿では,言語表現を実世界の地図化とモデル化に使用される言語的・象徴的構造として定義する。 我々は、高度な言語表現によるスキーマ形成が、大規模言語モデルの拡張の次のフロンティアであると主張している。
  論文  参考訳（メタデータ） (2026-05-10T02:42:29Z)
• Multi-Granularity Reasoning for Natural Language Inference [9.242693439707006]
  本稿では,対話型推論空間における階層的意味的特徴を明示的に活用する新しいemphMulti-Granularity Reasoning Network(MGRN)を提案する。 複数の粒度のセマンティック情報をプログレッシブで構造化的に統合することにより、MGRNは自然言語表現の根底にある複雑なセマンティックな関係を明らかにすることができる。
  論文  参考訳（メタデータ） (2026-04-18T16:19:32Z)
• Disambiguation in Conversational Question Answering in the Era of LLMs and Agents: A Survey [54.90240495777929]
  自然言語処理(NLP)におけるあいまいさは依然として根本的な課題である LLM(Large Language Models)の出現により、あいまいさに対処することがさらに重要になった。 本稿では,言語駆動システムにおけるあいまいさの定義,形態,含意について考察する。
  論文  参考訳（メタデータ） (2025-05-18T20:53:41Z)
• Semantic Mastery: Enhancing LLMs with Advanced Natural Language Understanding [0.0]
  本稿では,より高度なNLU技術を用いて,大規模言語モデル(LLM)を進化させる最先端の方法論について論じる。 我々は、構造化知識グラフ、検索強化生成(RAG)、および人間レベルの理解とモデルにマッチする微調整戦略の利用を分析する。
  論文  参考訳（メタデータ） (2025-04-01T04:12:04Z)
• Do Large Language Models Advocate for Inferentialism? [0.0]
  ChatGPTやClaudeといった大規模言語モデル(LLM)の出現は、言語哲学に対する新たな課題を提示している。 本稿では,これらのシステムを理解するための代替基盤フレームワークとして,Robert Brandom氏の推論的セマンティクスについて考察する。
  論文  参考訳（メタデータ） (2024-12-19T03:48:40Z)
• Large Language Models are In-Context Semantic Reasoners rather than Symbolic Reasoners [75.85554779782048]
  大規模言語モデル(LLM)は、近年、自然言語と機械学習コミュニティを興奮させています。 多くの成功を収めたアプリケーションにもかかわらず、そのようなコンテキスト内機能の基盤となるメカニズムはまだ不明である。 本研究では,学習した言語トークンのテクストセマンティクスが推論過程において最も重い処理を行うと仮定する。
  論文  参考訳（メタデータ） (2023-05-24T07:33:34Z)
• Simple Linguistic Inferences of Large Language Models (LLMs): Blind Spots and Blinds [59.71218039095155]
  我々は,ほとんどの人間が自明に感じる単純な推論タスクにおいて,言語理解能力を評価する。 我々は, (i) 文法的に特定された含意, (ii) 不確実性のある明らかな副詞を持つ前提, (iii) 単調性含意を目標とする。 モデルはこれらの評価セットに対して中程度から低い性能を示す。
  論文  参考訳（メタデータ） (2023-05-24T06:41:09Z)
• ChatABL: Abductive Learning via Natural Language Interaction with ChatGPT [72.83383437501577]
  大規模言語モデル(LLM)は、最近数学的な能力において大きな可能性を証明している。 LLMは現在、認識、言語理解、推論能力のブリッジングに困難を抱えている。 本稿では, LLMを帰納学習フレームワークに統合する新しい手法を提案する。
  論文  参考訳（メタデータ） (2023-04-21T16:23:47Z)

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。