論文の概要: REWIND: Uncertainty-Guided Trajectory Repair for Test-Time Reasoning

• arxiv url: http://arxiv.org/abs/2610.19561v1
• Date: Wed, 14 Oct 2026 04:20:56 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-15 21:06:15.958552
• Title: REWIND: Uncertainty-Guided Trajectory Repair for Test-Time Reasoning
• Title（参考訳）: ReWIND:テスト時間推論のための不確実性誘導軌道修正
• Abstract要約: 誤応答は, 正しい応答よりも平均トークンエントロピーがかなり高いことを示す。 本稿では、エントロピーダイナミクスを用いて、ターゲットとなる接尾辞再生を提案するトレーニングフリーコントローラREWINDを紹介する。
• 参考スコア（独自算出の注目度）: 10.333439198865443
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: An early mistake in the generated reasoning can constrain all subsequent reasoning. Repeated-generation methods, like MCMC-based approaches, attempt to improve output quality by sampling multiple generations, but their effectiveness can be limited by randomly selecting where to regenerate. On MATH500 with Qwen2.5-Math-7B, we find that incorrect responses have substantially higher mean token entropy than correct responses, with an average within-question relative increase of approximately 112%, suggesting that entropy can signal reasoning errors. Motivated by this finding, we introduce REWIND, a training-free controller that uses entropy dynamics to propose targeted suffix regenerations. Across three model families and five benchmarks, REWIND outperforms all baselines, with gains of 0.51-10.00 percentage points over the strongest baseline. These results demonstrate the effectiveness of targeted, uncertainty-guided trajectory repair across models and tasks. Our code is available at https://anonymous.4open.science/r/rewind-D310.
• Abstract（参考訳）: 生成された推論の早期の誤りは、その後の推論を全て制約することができる。 MCMCベースのアプローチのような繰り返し生成法は、複数の世代をサンプリングすることで出力品質を向上しようとするが、それらの効果は、どこで再生するかをランダムに選択することで制限することができる。 Qwen2.5-Math-7B を用いた MATH500 では,不正確な反応は平均トークンエントロピーが平均 112% 増加し,不適切な反応は平均トークンエントロピーよりもかなり高い値を示した。 この発見に触発されたREWINDは、エントロピーダイナミクスを用いて、ターゲットとなる接尾辞再生を提案するトレーニング不要のコントローラである。 3つのモデルファミリと5つのベンチマークで、REWINDは全てのベースラインを上回り、最強ベースラインの0.51-10.00ポイントを獲得した。 これらの結果は、モデルとタスク間の目標、不確実性誘導軌道修復の有効性を示す。 私たちのコードはhttps://anonymous.4open.science/r/rewind-D310で公開されています。

関連論文リスト

• DreamQAS: Learning a Decision-Useful World Model for VQE-Efficient Quantum Architecture Search [9.679776057194056]
  Reinforcement-learning-based quantum architecture search (RL-QAS) は、回路を拡張した後、繰り返し変動量子固有解器 (VQE) を最適化する。 本稿では、正確な回路力学を保存し、VQE後の高価なフィードバックのみを学習するモデルベースのRLフレームワークであるDreamQASを紹介する。
  論文  参考訳（メタデータ） (2026-07-31T14:58:23Z)
• When to Retrieve During Reasoning: Adaptive Retrieval for Large Reasoning Models [13.891522069967507]
  本稿では、推論対応検索フレームワークReaLM-Retrieveを紹介する。 ステップレベルの不確実性検出は、トークンや文レベルではなく、推論ステップで知識ギャップを識別する。 検索介入政策は、外部証拠が進行中の推論に最大限の利益をもたらすことを学習する。
  論文  参考訳（メタデータ） (2026-04-29T13:15:44Z)
• Back to Basics: Revisiting Exploration in Reinforcement Learning for LLM Reasoning via Generative Probabilities [10.235183326885794]
  RLVR(Reinforcement Learning with Verifiable Rewards)は、Large Language Models(LLMs)における推論の強化に欠かせないパラダイムとして登場した。 我々は、この問題をサンプリング確率力学の観点から分析し、標準目的が高次様相の経路を不均等に強化することを特定する。 提案手法は,すべての応答に対する信頼度を平衡化するための新しいアドバンテージ再重み付け機構 (ARM) を提案する。
  論文  参考訳（メタデータ） (2026-02-05T04:06:55Z)
• Reasoning or Memorization? Unreliable Results of Reinforcement Learning Due to Data Contamination [67.67725938962798]
  大規模なWebスケールコーパスの事前トレーニングは、広く使用されているベンチマークでデータ汚染の影響を受けやすいQwen2.5が残る。 我々はRandomCalculationと呼ばれる任意の長さと難易度を持つ完全クリーンな算術問題を生成するジェネレータを導入する。 精度の高い報酬信号のみがベースモデルの性能境界を超える安定した改善をもたらすことを示す。
  論文  参考訳（メタデータ） (2025-07-14T17:55:15Z)
• Reasoning Models Are More Easily Gaslighted Than You Think [85.84943447589511]
  我々はOpenAIのo4-mini、Claude-3.7-Sonnet、Gemini-2.5-Flashの3つの最先端推論モデルを評価する。 ガス灯消火プロンプトによる精度低下が認められた。 GaslightingBench-Rは、推論モデルの認識可能性を評価するために設計された新しい診断ベンチマークである。
  論文  参考訳（メタデータ） (2025-06-11T12:52:25Z)
• VAPO: Efficient and Reliable Reinforcement Learning for Advanced Reasoning Tasks [49.0793012627959]
  本稿では,価値に基づくパラダイム内での推論モデルに適した新しいフレームワークVAPOを提案する。 VAPOは最先端のスコアが$mathbf60.4$に達する。 同じ実験条件下で直接比較すると、VAPOはDeepSeek-R1-Zero-Qwen-32BとDAPOの結果を10点以上上回っている。
  論文  参考訳（メタデータ） (2025-04-07T14:21:11Z)
• Learning generative models for valid knockoffs using novel multivariate-rank based statistics [12.528602250193206]
  ランクエネルギー (RE) は、Monge's Optimal Transport (OT) 問題における最適写像を特徴付ける理論的結果を用いて導出される。 我々は、ソフトランクエネルギー(sRE)と呼ばれるREの変種と、ソフトランク最大平均誤差(sRMMD)と呼ばれるカーネル変種を提案する。 次に、sRMMDを用いて深いノックオフを生成し、有効なノックオフを生成するための新規かつ効果的な方法であることを示す。
  論文  参考訳（メタデータ） (2021-10-29T18:51:19Z)

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。