論文の概要: Evolving Explanations: Complexity-Adaptive Refinement of Faithful Explanations for Symbolic Regression

• arxiv url: http://arxiv.org/abs/2611.02634v1
• Date: Mon, 02 Nov 2026 06:59:09 GMT
• ステータス: 情報取得中
• システム内更新日: 2026-11-03 19:52:51.490704
• Title: Evolving Explanations: Complexity-Adaptive Refinement of Faithful Explanations for Symbolic Regression
• Title（参考訳）: 進化する説明:シンボリック回帰のための忠実な説明の複雑度適応的再定義
• Abstract要約: 機械学習モデルの自然言語による説明は、しばしば流動的であるように見えるが、基礎となるモデルに必ずしも忠実ではない。 本稿では,説明を反復的に生成し,検証する記号回帰のための複雑性適応型改良フレームワークを提案する。 実世界のデータセットと合成データセットについて評価し、様々なモデル複合体をまたいで総計250回実行した。
• 参考スコア（独自算出の注目度）: 1.402200998845899
• License:
• Abstract: Natural-language explanations generated by large language models (LLMs) for machine learning models often seem fluent but are not necessarily faithful to the underlying model. We formalize this mismatch as a faithfulness gap and propose a complexity-adaptive refinement framework for symbolic regression that iteratively generates and validates explanations until numerical agreement with the target expression is achieved. The approach follows a two-stage pipeline: an explainer LLM produces textual descriptions at increasing levels of detail, while an independent validator LLM extracts a symbolic expression that is compared against the original model. This process is framed as a discrete search over explanation space, where complexity is minimized subject to a faithfulness constraint. We evaluate the method on real-world and synthetic datasets, with a total of 250 runs across varying model complexities. The explanation refinement loop achieves an overall pass rate of 84.0%, with most explanations converging at low complexity levels and only a small fraction requiring detailed descriptions. Our results demonstrate that faithful explanations can be obtained with minimal necessary complexity by explicitly closing the explanation loop through symbolic validation.
• Abstract（参考訳）: 機械学習モデルのための大規模言語モデル(LLM)が生成する自然言語の説明は、しばしば流動的であるように見えるが、基礎となるモデルに必ずしも忠実ではない。 本稿では,このミスマッチを忠実度ギャップとして定式化し,対象表現との数値的な一致が達成されるまで,反復的に記述を生成・検証する,記号回帰のための複雑性適応型改良フレームワークを提案する。 このアプローチは2段階のパイプラインに従う: 説明者 LLM は詳細レベルが増加するとテキスト記述を生成するが、独立した検証者 LLM は元のモデルと比較した記号表現を抽出する。 この過程は説明空間上の離散的な探索であり、複雑性は忠実性制約によって最小化される。 実世界のデータセットと合成データセットについて評価し、様々なモデル複合体をまたいで総計250回実行した。 説明リファインメントループは全体のパスレート84.0%に達し、ほとんどの説明は低い複雑さレベルで収束し、詳細説明を必要とするのはごくわずかである。 その結果,記号的検証によって説明ループを明示的に閉じることで,必要最小限の複雑さで忠実な説明が得られることを示した。

関連論文リスト

• Not Every Term Adds New Structure: Sobolev Novelty for Symbolic Regression [28.85307152415039]
  シンボリック方程式における構造独立の項レベル尺度であるtextbfSobolev Novelty を導入する。 各項に対して、その関数値と観測された入力上の正確な導関数から経験的なソボレフシグネチャを構築する。 理論校正しきい値が導出され、構造的に新しい用語を識別するための原則的かつチューニング不要な基準が導出される。
  論文  参考訳（メタデータ） (2026-09-26T13:15:17Z)
• Prompting Complexity: Shortest Prompts for Texts and Behaviors in LLMs [1.9875440739965626]
  固定命令調整言語モデルに対する複雑性の促進量を定義する。 プログラムは任意のトークン文字列ではなく、可読な可読テキストに制限する。 また、最も短い生成プロンプトと、仕様を満たす出力に到達するための行動的プロンプトの複雑さを比較することで、距離のプロンプトを定義する。
  論文  参考訳（メタデータ） (2026-07-07T11:12:44Z)
• CoT Referring: Improving Referring Expression Tasks with Grounded Reasoning [67.18702329644526]
  CoT Referringは、構造化されたチェーン・オブ・シークレット・トレーニングデータ構造を通じて、モデル推論をモダリティにわたって強化する。 トレーニングデータを再構築して、新たな出力フォームを実行し、既存のデータセットに新たなアノテーションを提供します。 また、検出とセグメント化機能を統合MLLMフレームワークに統合し、新しい適応重み付き損失で学習して性能を最適化する。
  論文  参考訳（メタデータ） (2025-10-03T08:50:21Z)
• FOL-Pretrain: A complexity annotated corpus of first-order logic [16.061040115094592]
  トランスフォーマーベースの大規模言語モデル(LLM)は、顕著な推論能力を示している。 LLMの振る舞いをリバースエンジニアリングしようとする最近の試みにもかかわらず、これらのモデルがどのように複雑なアルゴリズムの内部化と実行を行うかについての理解は依然として限られている。 本稿では,大規模かつ完全にオープンな,一階述語論理推論トレースの複雑性アノテーション付きデータセットを提案する。
  論文  参考訳（メタデータ） (2025-05-20T21:38:28Z)
• Inexact Simplification of Symbolic Regression Expressions with Locality-sensitive Hashing [0.7373617024876725]
  シンボリック回帰は、データセットに正確に適合するパラメトリックモデルを検索し、単純さと解釈可能性の優先順位付けを行う。 高速な代数的単純化を適用することは、式を完全に単純化するものではなく、式のサイズや複雑さによって正確な方法が実現できない可能性がある。 局所性に敏感なハッシュ(LHS)を用いた効率的なメモ化を用いたSRの単純化と肥大化制御を提案する。
  論文  参考訳（メタデータ） (2024-04-08T22:54:14Z)
• Can Large Language Models Understand Real-World Complex Instructions? [54.86632921036983]
  大型言語モデル(LLM)は人間の指示を理解することができるが、複雑な命令には耐えられない。 既存のベンチマークでは、LLMが複雑な命令を理解する能力を評価するには不十分である。 複雑な命令を体系的に追従するLSMの能力を評価するためのベンチマークであるCellOを提案する。
  論文  参考訳（メタデータ） (2023-09-17T04:18:39Z)
• BERM: Training the Balanced and Extractable Representation for Matching to Improve Generalization Ability of Dense Retrieval [54.66399120084227]
  本稿では,BERMと呼ばれるマッチング信号の取得により,高密度検索の一般化を改善する手法を提案する。 センス検索は、ドメイン内のラベル付きデータセットでトレーニングされた場合、第1段階の検索プロセスにおいて有望であることが示されている。
  論文  参考訳（メタデータ） (2023-05-18T15:43:09Z)
• Information-Theoretic Generalization Bounds for Iterative Semi-Supervised Learning [81.1071978288003]
  特に,情報理論の原理を用いて,反復型SSLアルゴリズムのエミュレータ一般化誤差の振る舞いを理解することを目的とする。 我々の理論的結果は、クラス条件分散があまり大きくない場合、一般化誤差の上限は反復数とともに単調に減少するが、すぐに飽和することを示している。
  論文  参考訳（メタデータ） (2021-10-03T05:38:49Z)
• Exploring Decomposition for Table-based Fact Verification [18.584226291619217]
  複雑な文を単純なサブプロブレムに分解することで事実検証を改善する。 提案手法は,TabFactベンチマークにおいて,82.7%の精度で最先端性能を実現する。
  論文  参考訳（メタデータ） (2021-09-22T20:15:05Z)
• Multi-Fact Correction in Abstractive Text Summarization [98.27031108197944]
  Span-Factは、質問応答モデルから学んだ知識を活用して、スパン選択によるシステム生成サマリーの補正を行う2つの事実補正モデルのスイートである。 我々のモデルは、ソースコードのセマンティック一貫性を確保するために、反復的または自動回帰的にエンティティを置き換えるために、シングルまたはマルチマスキング戦略を採用している。 実験の結果,自動測定と人的評価の両面において,要約品質を犠牲にすることなく,システム生成要約の事実整合性を大幅に向上させることができた。
  論文  参考訳（メタデータ） (2020-10-06T02:51:02Z)

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。