論文の概要: Illusory Pattern Perception Drives Spurious Inference in Large Language Models

• arxiv url: http://arxiv.org/abs/2610.07791v1
• Date: Tue, 06 Oct 2026 05:37:12 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-08 02:58:29.829724
• Title: Illusory Pattern Perception Drives Spurious Inference in Large Language Models
• Title（参考訳）: Illusory Pattern Perceptionは、大言語モデルにおけるスパーラス推論を駆動する
• Abstract要約: 偶像パターン知覚は、実際にランダムなデータに意味のある関係を推測する認知傾向である。 本稿では,Large Language Models (LLM) がそのような知覚傾向を示すかどうかを検討する。 LLMは人間よりも強い照明パターン知覚を呈することが多い。
• 参考スコア（独自算出の注目度）: 16.89722941794989
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Illusory pattern perception is a well-documented human cognitive tendency to infer meaningful relationships in data that is actually random. Such a tendency, often described as "connecting the dots" where none exist, can result in systematic reasoning errors. This paper investigates whether Large Language Models (LLMs) exhibit such perceptual tendencies, which can lead to systematic errors in downstream applications. To our knowledge, this work presents the first systematic study of illusory pattern perception in LLMs, adapting classic psychological paradigms to three tasks with direct empirical comparison to human behaviors. We find that LLMs frequently exhibit stronger illusory pattern perception than humans. In particular, models tend to over-associate frequent positive attributes with majority groups or large organizations, and show increased tendencies to construct causal narratives from ambiguous events. To uncover the mechanism behind these behaviors, we develop a feature interpretability framework based on Sparse Autoencoders (SAEs) to analyze internal representations. Our results reveal that holistic frequency perception and analytic cognitive orientation are linked to the emergence of illusory perceptions. These findings highlight a previously underexplored cognitive-like illusion that may affect the reliability of LLM reasoning. Code available at https://github.com/NusIoraPrivacy/illusory.
• Abstract（参考訳）: 幻覚パターン知覚は、実際にランダムなデータの中で有意義な関係を推測する、十分に文書化された人間の認知傾向である。 このような傾向は、存在しない点を接続する」としばしば説明され、体系的な推論エラーをもたらす。 本稿では,Large Language Models (LLMs) がこのような知覚的傾向を示し,下流アプリケーションにおける系統的誤りを生じさせるかどうかを考察する。 本研究は,従来の心理学的パラダイムを3つの課題に適用し,人間の行動と直接的に比較した最初の体系的研究である。 LLMは人間よりも強い照明パターン知覚を呈することが多い。 特に、モデルは多数派や大組織と頻繁に肯定的な属性を関連付ける傾向があり、曖昧な出来事から因果的な物語を構築する傾向が増している。 これらの動作のメカニズムを明らかにするために,スパースオートエンコーダ(SAE)に基づく機能解釈可能性フレームワークを開発し,内部表現を解析する。 以上の結果から,総観的周波数知覚と分析的認知指向は錯覚的知覚の出現と関連していることが明らかとなった。 これらの知見は、LLM推論の信頼性に影響を与える可能性のある、未発見の認知のような錯覚を浮き彫りにしている。 コードはhttps://github.com/NusIoraPrivacy/illusory.comで公開されている。

関連論文リスト

• Forgetting as a Feature: Cognitive Alignment of Large Language Models [39.146761527401424]
  本研究では,Large Language Models (LLM) が過去の情報を体系的に忘れていることを示す。 人間の記憶力学からインスピレーションを得て,LLM推論を指数的崩壊によって支配される確率的記憶過程としてモデル化する。 これらの観測に基づいて,人間のような記憶崩壊を模倣するエビデンス統合を形作る軽量な戦略である確率的記憶促進法を提案する。
  論文  参考訳（メタデータ） (2025-12-28T10:43:00Z)
• Unleashing Perception-Time Scaling to Multimodal Reasoning Models [60.578179197783754]
  推論時間スケーリングの最近の進歩は、LVLM(Large Vision-Language Models)の推論能力を大幅に向上させた。 この成功に触発されて、同様の戦略がマルチモーダル推論に適用されたが、視覚的知覚への影響は未だ不明である。 本稿では,トークンに富む知覚を促進する新しいパラダイムである知覚時間スケーリング(PTS)を提案し,複雑な知覚問題を中間的抽出可能なサブプロブレムに分解する。
  論文  参考訳（メタデータ） (2025-10-10T03:17:52Z)
• The Personality Illusion: Revealing Dissociation Between Self-Reports & Behavior in LLMs [60.15472325639723]
  人格特性は、人間の行動の予測因子として長い間研究されてきた。 近年のLarge Language Models (LLM) は, 人工システムに類似したパターンが出現する可能性を示唆している。
  論文  参考訳（メタデータ） (2025-09-03T21:27:10Z)
• Exploring Causal Effect of Social Bias on Faithfulness Hallucinations in Large Language Models [50.18087419133284]
  大規模言語モデル(LLM)は様々なタスクで顕著な成功を収めたが、忠実な幻覚に弱いままである。 社会的偏見がこれらの幻覚に寄与するかどうかを考察する。 重要な課題は、バイアス状態と幻覚の間の因果関係の分離を複雑化する、コンテキスト内の共同創設者を制御することである。
  論文  参考訳（メタデータ） (2025-08-11T08:34:28Z)
• Investigating VLM Hallucination from a Cognitive Psychology Perspective: A First Step Toward Interpretation with Intriguing Observations [60.63340688538124]
  幻覚は、視覚言語モデル(VLM)で積極的に研究されている長年の問題である。 既存の研究は、幻覚は技術的な制限や梅毒のバイアスによるもので、後者はモデルがユーザの期待に沿う誤った回答を生み出す傾向があることを意味している。 本研究では, VLMの認知バイアスを分類し, サイコフィナンシー, 論理的不整合, 新たに同定された VLM の行動, 権威へのアピールなど, 幻覚へと導く。
  論文  参考訳（メタデータ） (2025-07-03T19:03:16Z)
• Do Large Language Models Show Biases in Causal Learning? [3.0264418764647605]
  因果学習は、利用可能な情報に基づいて因果推論を行う能力を開発するための認知過程である。 本研究では,大言語モデル(LLM)が因果錯覚を発生させるかどうかを考察する。
  論文  参考訳（メタデータ） (2024-12-13T19:03:48Z)
• CBEval: A framework for evaluating and interpreting cognitive biases in LLMs [1.4633779950109127]
  大きな言語モデルは、認知過程において顕著なギャップを示す。 人間の生成したデータのリフレクションとして、これらのモデルは認知バイアスを継承する可能性がある。
  論文  参考訳（メタデータ） (2024-12-04T05:53:28Z)
• Human-Like Intuitive Behavior and Reasoning Biases Emerged in Language Models -- and Disappeared in GPT-4 [0.0]
  大型言語モデル (LLM) は人間の直感に類似した行動を示す。 また、直感的な意思決定の傾向がいかに頑丈かも調べる。
  論文  参考訳（メタデータ） (2023-06-13T08:43:13Z)
• Thinking Fast and Slow in Large Language Models [0.08057006406834465]
  大規模言語モデル(LLM)は、現在、人間のコミュニケーションと日常の生活を結び付けるAIシステムの最前線にある。 本研究では, GPT-3 のような LLM は人間の直感に類似した行動を示し,それに伴う認知的誤りを示す。
  論文  参考訳（メタデータ） (2022-12-10T05:07:30Z)
• Towards Unbiased Visual Emotion Recognition via Causal Intervention [63.74095927462]
  本稿では,データセットバイアスによる負の効果を軽減するために,新しい感情認識ネットワーク(IERN)を提案する。 IERNの有効性を検証する一連の設計されたテストと、3つの感情ベンチマークの実験は、IERNが他の最先端のアプローチよりも優れていることを示した。
  論文  参考訳（メタデータ） (2021-07-26T10:40:59Z)

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。