論文の概要: Beyond Belief Nesting: Rethinking Higher-Order Theory of Mind in Large Language Models

• arxiv url: http://arxiv.org/abs/2610.17777v1
• Date: Tue, 13 Oct 2026 06:03:36 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-17 17:20:02.462516
• Title: Beyond Belief Nesting: Rethinking Higher-Order Theory of Mind in Large Language Models
• Title（参考訳）: ネスティングの超越 - 大規模言語モデルにおける高次心の理論の再考
• Abstract要約: 心の理論(ToM)は効果的なコミュニケーションと協調の基盤となる。 現在の評価は、信念にこだわる深さを推論順序と同等にし、名目上上位の質問が下位のショートカットを認めることを可能にする。 HopToMを導入し、認定された全順序質問と低階代替品の制御を行う。
• 参考スコア（独自算出の注目度）: 22.70232016900562
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Theory of mind (ToM), the ability to reason about others' mental states, underlies effective communication and coordination. Its higher-order form enables reasoning over nested perspectives in strategic interactions. However, existing evaluations often equate belief-nesting depth with reasoning order, allowing nominally higher-order questions to admit lower-order shortcuts. We formalize effective order through the distinct events supporting successive belief prefixes, revealing widespread order inflation across existing benchmarks. We introduce HopToM, with certified full-order questions and controls for lower-order alternatives. Under direct prompting, mean accuracy across four frontier LLMs falls from 73.5% at first order to 20.0% at fourth order, and human participants also struggle. Causal interventions link a recurring class of errors to evidence for shallower belief prefixes. We introduce HopTrace, a plug-and-play inference-time method that encodes each interaction once into perspective records and resolves nested queries deterministically. On certified narrative questions, it improves fourth- and fifth-order accuracy by 22.0 and 38.5 percentage points over strong prompting baselines, while using 20-39 times fewer tokens than multi-call methods. These results sharpen how higher-order ToM is evaluated and offer a practical way to improve perspective reasoning in interactive agents.
• Abstract（参考訳）: 心の理論 (Theory of Mind, ToM) は、他者の精神状態を推論する能力であり、効果的なコミュニケーションと協調の基盤となる。 その高次形式は、戦略的相互作用におけるネストされた視点に対する推論を可能にする。 しかし、既存の評価は、しばしば信念にこだわる深さを推論順序と同等にし、名目上上位の質問が下位のショートカットを認めることを可能にする。 我々は、連続する信念の接頭辞を支持する個別の事象を通じて効果的な順序を定式化し、既存のベンチマークにまたがる広範な順序のインフレーションを明らかにする。 HopToMを導入し、認定された全順序質問と低階代替品の制御を行う。 直接のプロンプトでは、4つのフロンティアLCMの平均精度は1位73.5%から4位20.0%に低下し、人間の参加者も苦戦している。 因果的介入は、繰り返し発生するエラーのクラスと、より浅い信念の接頭辞の証拠を結びつける。 HopTraceは,各インタラクションを視点レコードにエンコードし,ネストしたクエリを決定論的に解決する,プラグインとプレイの推論時メソッドである。 認定された物語の質問では、強いプロンプトベースラインよりも4階と5階の精度を22.0と38.5ポイント向上し、マルチコール方式の20～39倍のトークンを使用する。 これらの結果により,ToMの高次評価の精度が向上し,対話型エージェントの視点推論を改善するための実用的な方法が提供される。

関連論文リスト

• The Alignment Paradox: How Post-Training Amplifies Confident Hallucinations in Language Models [10.263156820297997]
  大規模言語モデル(LLM)は、信頼度の高い事実的不正な回答を生成できる。 トレーニング後のアライメント自体が、これらのエラーの第一の要因である。 我々は、直接選好最適化においてエントロピー依存のマージンによってこの原理を実装している。
  論文  参考訳（メタデータ） (2026-09-26T13:39:15Z)
• From Reasoning Depth to Reasoning Breadth: Evaluating Multi-Point Associative Reasoning in Large Language Models [18.240441114446607]
  MPAR-Benchは多点連想推論によって推論の幅を分離するベンチマークである。 マルチエージェントの手がかり生成パイプライン,埋め込み型多様性フィルタリング,人間による検証を用いて1000項目を構築。 我々は、精度、ANLS、埋め込み類似性、推論トレース検証、および4つの摂動(手がかりマスキング、オーダーシャッフル、インジェクション、マルチステップインジェクション)を用いてモデルを評価する。
  論文  参考訳（メタデータ） (2026-08-11T03:58:23Z)
• HopRefusalBench: Diagnosing Refusal Failures in Search-Augmented Agents for Multi-Hop Reasoning [14.484579581234327]
  マルチホップ検索における拒絶の最初のベンチマークであるHopRefusalBenchを紹介する。 根、中、終端位相の3つの解答不可能な原因を横切る。 本稿では,目標認識の拒絶,疑似拒絶,幻覚的完了,探索予算の枯渇にまたがる最終アウトカム分類を提案する。
  論文  参考訳（メタデータ） (2026-08-02T16:20:55Z)
• Understanding and Mitigating Premature Confidence for Better LLM Reasoning [76.16007941549857]
  現在の言語モデルからの思考の長い連鎖(CoT)は、しばしば論理的ギャップと不正な跳躍を含んでいる。 このような信号は、モデルの信頼性が推論中にどのように進化するかを示す。 これは、モデルを早期にコミットするのではなく、理由によってモデルの信頼性を更新するように訓練する強化学習の目標です。
  論文  参考訳（メタデータ） (2026-05-23T04:42:45Z)
• Perception or Prejudice: Can MLLMs Go Beyond First Impressions of Personality? [74.69723255239663]
  グラウンドド・パーソナリティ・推論は、MLLMがそれぞれのビッグファイブ・格付けを、評価、推論、根拠の連鎖を通じて観察可能な証拠に固定することを要求する。 MM-OCEANは、人間の検証によるマルチエージェントパイプラインによって生成され、タイムスタンプによる行動観察、エビデンスに基づく特性分析、およびキューグラウンドMCQの7つのカテゴリがある。 この分析では、フィールド全体にわたって、正しい評価の51%が取得された手がかりに基づかず、ホリスティック・ギャラリング・レートは0-33.5%にしか達していないという顕著な偏見のギャップが明らかになった。
  論文  参考訳（メタデータ） (2026-05-21T07:42:47Z)
• Eigen-1: Adaptive Multi-Agent Refinement with Monitor-Based RAG for Scientific Reasoning [53.45095336430027]
  暗黙的な検索と構造化された協調を組み合わせた統合フレームワークを開発する。 Humanity's Last Exam (HLE) Bio/Chem Goldでは,48.3%の精度を実現している。 SuperGPQAとTRQAの結果はドメイン間の堅牢性を確認した。
  論文  参考訳（メタデータ） (2025-09-25T14:05:55Z)
• Beyond the Last Answer: Your Reasoning Trace Uncovers More than You Think [51.0691253204425]
  我々は2つの質問に答えるために中間的推論ステップを解析する: 最終的な答えはモデルの最適結論を確実に表すか? 我々のアプローチは、推論トレースを言語的手がかりに基づくシーケンシャルなサブソートに分割することである。 これらの解答を最も頻繁な解(モード)を選択して集約すると、元の完全トレースから得られる解のみに依存するよりも、はるかに高い精度が得られることが判明した。
  論文  参考訳（メタデータ） (2025-04-29T12:39:07Z)
• Making Large Language Models Better Reasoners with Alignment [57.82176656663245]
  推論(Reasoning)とは、証拠を使って結論に達する認知過程である。 近年の研究では、思考の連鎖(COT)推論プロセスによるデータ上の微調整LDMは、その推論能力を著しく向上させることができることが示されている。 テキストアライメントファインチューニング(AFT)パラダイムを3ステップで導入する。
  論文  参考訳（メタデータ） (2023-09-05T11:32:48Z)
• Self-Evaluation Guided Beam Search for Reasoning [61.523627290397556]
  我々は,Large Language Model (LLM) の推論プロセスのガイドと校正を行うための段階的自己評価機構を導入する。 本稿では,ビームサーチによる自己評価ガイダンスを統合した復号アルゴリズムを提案する。 我々のアプローチは、GSM8K、AQuA、StrategyQAにおいて、対応するCodexバックボンドベースラインをわずかに精度6.34%、9.56%、および5.46%で上回る。
  論文  参考訳（メタデータ） (2023-05-01T02:37:59Z)

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。