論文の概要: Concept-Guided Prompting Strategies Increase Diversity in LLM-Generated Recipe Populations

• arxiv url: http://arxiv.org/abs/2611.01171v1
• Date: Sat, 31 Oct 2026 18:15:04 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-11-04 23:36:30.455187
• Title: Concept-Guided Prompting Strategies Increase Diversity in LLM-Generated Recipe Populations
• Title（参考訳）: LLMによる降水個体群における概念誘導型プロンプティング戦略の多様性向上
• Abstract要約: 概念誘導プロンプトは、これらの概念のそれぞれに応答する前に主題的概念を生成する。 我々はレシピブックタスクのために1,000のレシピを作成し、その結果を人間によるコーパスと比較した。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Novelty in solution generation supports automated discovery, but LLM outputs can remain repetitive. To address this, we propose a simple concept-guided prompting method that generates thematic concepts before responses within each of these concepts. To demonstrate, we generated 1,000 recipes for a recipe book task and compared the results against a human-authored corpus. Two naive prompting strategies were compared as baselines. Concept-guided prompting outperformed both baselines in all cases and reached semantic coverage of 47.0% versus 35.1% and 13.1% in respective prior-title and nonce prompt strategies. These findings suggest broader population exploration and diversity, but remain contained to this specific task. Further work is needed to determine the quality of solutions and generalizability.
• Abstract（参考訳）: ソリューション生成の新規性は自動発見をサポートするが、LSM出力は繰り返し続けることができる。 そこで本研究では,各概念の応答前にテーマ概念を生成するシンプルな概念誘導プロンプト手法を提案する。 そこで本研究では,レシピブックタスク用のレシピを1,000個生成し,その結果を人手によるコーパスと比較した。 2つのナイーブなプロンプト戦略をベースラインとして比較した。 コンセプトガイドによるプロンプトは、すべてのケースにおいて両方のベースラインを上回り、セマンティックカバレッジは47.0%対35.1%、各プレタイトルとナンスプロンプト戦略では13.1%に達した。 これらの発見は、より広い人口調査と多様性を示唆するが、この特定の課題には含まれていない。 解の質と一般化可能性を決定するためには、さらなる作業が必要である。

関連論文リスト

• Beyond Mode Collapse: Distribution Matching for Diverse Reasoning [69.88237286885065]
  GRPOのようなオンライン強化学習手法はモード崩壊に悩まされる。 このことは、逆KL最小化のモード探索行動に由来することを示す。 KL最小化の原理的近似によりモード崩壊を防止するDMPOを提案する。
  論文  参考訳（メタデータ） (2026-05-19T07:13:00Z)
• Efficient Universal Goal Hijacking with Semantics-guided Prompt Organization [30.56428628397079]
  ユニバーサルゴールハイジャック(Universal goal hijacking)は、LSMが任意の通常のユーザープロンプトに対してターゲットの悪意のある応答を返すよう強制するプロンプトインジェクション攻撃の一種である。 従来の手法は、煩雑で時間を要する一方で、高い攻撃性能を達成する。 本稿では,効率的な最適化アルゴリズムと2つの意味指導型組織戦略を組み込んだPOUGHという手法を提案する。
  論文  参考訳（メタデータ） (2024-05-23T05:31:41Z)
• StrategyLLM: Large Language Models as Strategy Generators, Executors, Optimizers, and Evaluators for Problem Solving [76.5322280307861]
  StrategyLLM は LLM が帰納的推論、特定のタスクインスタンスからの一般的な戦略の導出、帰納的推論を可能にし、これらの一般的な戦略を特定のタスク例に適用し、一般化可能で一貫した数発のプロンプトを構築する。 実験の結果、StrategyLLMは、数学推論(34.2%$rightarrow$38.8%)、コモンセンス推論(70.3%$rightarrow$72.5%)、アルゴリズム推論(73.7%$rightarrow$85.0)を含む、4つの難しいタスクにまたがる13のデータセットに対して、人間によるアノテートソリューションを必要とする競争ベースラインのCoT-SCよりも優れていることが示された。
  論文  参考訳（メタデータ） (2023-11-15T09:18:09Z)
• End-to-End Autoregressive Retrieval via Bootstrapping for Smart Reply Systems [7.2949782290577945]
  ブートストラップによって得られた(メッセージ,返信セット)ペアのデータセットから,スマートリプライタスクをエンドツーエンドに学習する新たなアプローチを検討する。 実験結果から、この手法は3つのデータセットにわたる最先端のベースラインを一貫して上回ることを示す。
  論文  参考訳（メタデータ） (2023-10-29T09:56:17Z)
• Modeling Uncertainty and Using Post-fusion as Fallback Improves Retrieval Augmented Generation with LLMs [80.74263278847063]
  検索されたパスと大きな言語モデル(LLM)の統合は、オープンドメインの質問応答の改善に大きく貢献している。 本稿では,検索したパスをLLMと組み合わせて回答生成を向上させる方法について検討する。
  論文  参考訳（メタデータ） (2023-08-24T05:26:54Z)

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。