論文の概要: The Error You See Is Not the Error You Made: Progression-aware Reasoning Origin for Reasoning Error Localization

• arxiv url: http://arxiv.org/abs/2609.33297v1
• Date: Sun, 27 Sep 2026 07:03:59 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-06 01:21:35.462955
• Title: The Error You See Is Not the Error You Made: Progression-aware Reasoning Origin for Reasoning Error Localization
• Title（参考訳）: エラーを検知するプログレッシブ・アウェア・レアソン(動画あり)
• Abstract要約: ファーストエラーローカライゼーションのためのプログレッシブ・アウェア・フレームワークを提案する。 入力側証拠だけでは, 誤り伝播下での確実な局所化には不十分な理由が示されている。 オープンフォーム、医療、構造化された推論タスクにわたる実験は、強力な検証基準よりも一貫した改善を示している。
• 参考スコア（独自算出の注目度）: 12.024686642973789
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Verifying multi-step LLM reasoning requires more than determining whether a trace is correct: a useful verifier should identify where the reasoning first goes wrong. However, existing holistic methods provide little positional evidence, while forward sequential verification often treats the first rejected step as the error source. Under error propagation, this assumption can fail, since an earlier mistake may remain locally plausible and become observable only through its downstream consequences. We therefore rethink reasoning verification as a progression-aware error-source localization problem: rather than asking only where a reasoning trace first appears inconsistent, we ask which earlier step best explains how that inconsistency emerges along the trajectory. Based on this view, we propose Progression-aware Reasoning Origin (PRO), a training-free framework for first-error localization. PRO jointly models incoming support from the preceding context and outgoing compatibility with subsequent reasoning, selectively refines regions where these signals disagree, and finally performs detector-conditioned source attribution with intervention-based evidence to distinguish the true error origin from its propagated manifestations. We further formalize the gap between forward rejection and structural exposure, showing why incoming-side evidence alone is insufficient for reliable localization under error propagation. Experiments across open-form, medical, and structured reasoning tasks demonstrate consistent improvements over strong verification baselines, supporting progression-aware source attribution as a more faithful formulation of reasoning verification.
• Abstract（参考訳）: 多段階のLCM推論を検証するには、トレースが正しいかどうかを判断する以上のことが必要である。 しかし、既存の包括的手法は位置的証拠をほとんど提供しないが、前方の逐次検証はしばしば最初の拒否されたステップを誤差源として扱う。 エラーの伝播の下では、この仮定は失敗する可能性がある。 そこで我々は、推論検証を進行認識による誤りソースのローカライズ問題として再考する: 推論トレースが最初に現れる場所だけを問うのではなく、どの早期ステップが軌道に沿ってどのように不整合が生じるかを尋ねる。 そこで本研究では,PRO(Progression-Aware Reasoning Origin)を提案する。 PROは、先行の文脈からサポートを受け、その後の推論と互換性を保ち、これらの信号が一致しない領域を選択的に洗練し、最後に、干渉に基づく証拠による検出条件付きソース属性を実行し、真のエラー元と伝播する表現とを区別する。 さらに,前向きの拒絶と構造的露出のギャップを形式化し,なぜ入射側の証拠だけでは誤り伝播下での確実な局所化に不十分なのかを示す。 オープンフォーム、医療、構造化推論タスクにわたる実験は、強力な検証基準よりも一貫した改善を示し、推論検証のより忠実な定式化として進行認識ソース属性をサポートする。

関連論文リスト

• When Confidence Rises Too Early: Detecting Shortcut Reasoning via Premature Answer Commitment [76.62469105933384]
  大規模言語モデル (LLM) は、ある答えにたどり着くためのショートカットを頼りにし、その決定を合理化する。 ConfLensは、推論を通じて最終的な回答における信頼の進化を追跡するフレームワークです。 本稿では,解答コミットメントに対する確率分布のエントロピーを測定するために,DACS(Distributal Answer Commitment Score)を提案する。
  論文  参考訳（メタデータ） (2026-09-28T13:00:25Z)
• LC-ERD: Mining Latent Logic for Self-Evolving Reasoning via Consistency-Regulated Reward Decomposition [55.572260012037084]
  本稿では, LC-ERD (Logic-Consistent Endogenous Reward Decomposition) を紹介する。 モデルの潜在論理エキスパートズ(Latent Logic Expertise)からのコンセンサスを集約することで、変分論理ポテンシャルを導出する。 LC-ERDは、論理の一貫性と正確性の間のトレードオフを明らかにする、堅牢な自己進化パスを提供する。
  論文  参考訳（メタデータ） (2026-05-19T07:27:50Z)
• Correct Answers from Sound Reasoning: Verifiable Process Supervision for Language Models [94.68358825189738]
  本稿では,予測精度と推論品質を協調的に最適化する検証済み領域の学習後フレームワークを提案する。 我々は,エンジン信号に対して推論ステップを確定的に検証できる制御テストベッドであるチェスのVPSを評価する。 VPSは、推論品質を著しく向上させながら精度を保ち、勝利率エラーを最大30%削減し、一貫性をほぼ飽和状態に回復する。
  論文  参考訳（メタデータ） (2026-04-03T15:19:46Z)
• Why Thinking Hurts? Diagnosing and Rectifying the Reasoning Shift in Foundation Recommender Models [44.74420486421283]
  トレーニング不要な推論時間部分空間アライメントフレームワークを提案する。 推論チェインを圧縮し、バイアス抽出されたコントラストデコーディングを適用することにより、本手法は非基底的テキストドリフトを緩和する。 実験では、この推論を効果的に校正し、基礎モデルでは、ID基底精度を犠牲にすることなく推論を活用できる。
  論文  参考訳（メタデータ） (2026-02-18T16:38:21Z)
• Think Locally, Explain Globally: Graph-Guided LLM Investigations via Local Reasoning and Belief Propagation [5.191980417814362]
  LLMエージェントは、ほとんどの環境が静的で、必要な情報がモデルのコンテキストウインドウに適合する場合、排他的になる。 直腸型薬剤は、この体制では特に脆い。 本稿では,LLMが限定的な局所的エビデンスマイニングとラベリングを行うためのフレームワークであるEoGを提案する。
  論文  参考訳（メタデータ） (2026-01-25T17:27:19Z)
• Integrating Causal Reasoning into Automated Fact-Checking [0.0]
  事実チェックアプリケーションでは、クレームを拒否する一般的な理由は、プレイ中のイベント間の誤った原因・影響関係の存在を検出することである。 本稿では,事象関係の抽出,意味的類似性計算,ルールに基づく推論を組み合わせて,主張や証拠に言及された事象の連鎖間の論理的不整合を検出する手法を提案する。
  論文  参考訳（メタデータ） (2025-12-15T12:56:00Z)
• 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)
• A Closer Look at the Self-Verification Abilities of Large Language Models in Logical Reasoning [73.77088902676306]
  論理的推論の文脈において,大規模言語モデル(LLM)の自己検証能力について詳しく検討する。 本研究の主目的は,既存のLCMが誤った推論手順を正確に識別するのに苦労し,自己検証法の有効性を保証できないことにある。
  論文  参考訳（メタデータ） (2023-11-14T07:13:10Z)
• Logical Satisfiability of Counterfactuals for Faithful Explanations in NLI [60.142926537264714]
  本稿では, 忠実度スルー・カウンタファクトの方法論について紹介する。 これは、説明に表される論理述語に基づいて、反実仮説を生成する。 そして、そのモデルが表現された論理と反ファクトの予測が一致しているかどうかを評価する。
  論文  参考訳（メタデータ） (2022-05-25T03:40:59Z)

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。