論文の概要: Adaptive Semantic Branching: Disagreement-Localized Cross-Trajectory Regeneration for Reasoning Candidate Expansion
- arxiv url: http://arxiv.org/abs/2611.07918v1
- Date: Thu, 05 Nov 2026 12:29:57 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-11-06 21:50:50.679393
- Title: Adaptive Semantic Branching: Disagreement-Localized Cross-Trajectory Regeneration for Reasoning Candidate Expansion
- Title（参考訳）: Adaptive Semantic Branching: Disagreement-Localized Cross-Trajectory Regeneration for Reasoning Candidate Expansion
- Abstract要約: 同じ問題のために生成された推論軌跡は、しばしば矛盾する答えに達する。
本稿では,適応意味分岐 (ASB) を導入する。
ASBは、軌跡間の不一致をターゲットの候補生成に変換する。
- 参考スコア（独自算出の注目度）: 2.3411870172392777
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Reasoning trajectories generated for the same problem often arrive at conflicting answers. These disagreements reveal alternative intermediate decisions that can be reused to explore new solutions. We introduce Adaptive Semantic Branching (ASB), a training-free inference procedure that turns cross-trajectory disagreement into targeted candidate generation. ASB first groups independently sampled trajectories by extracted final answer, selects a representative from each group, and aligns their reasoning steps with a monotonic dynamic program. A persistent-divergence objective identifies the point at which initially similar reasoning paths develop different continuations. For each selected directed pair, ASB retains the source trajectory's textual prefix, extracts a short reasoning window from a competing donor trajectory, and generates a fresh solution conditioned on both. A diversity-aware policy allocates up to three additional generations according to the answer-cluster structure. In a 500-problem MATH evaluation with Qwen2.5-7B-Instruct, ASB increases oracle candidate coverage from 445/500 (89.0%) with seven initial samples to 455/500 (91.0%), recovering correct candidates for 10 of the 55 initially uncovered problems. The method uses 576 additional generation calls across the evaluation set, averaging 8.152 calls per problem. We provide a precise specification of the branching operator, alignment objective, generation policy, and experimental configuration.
- Abstract（参考訳）: 同じ問題のために生成された推論軌跡は、しばしば矛盾する答えに達する。
これらの不一致は、新しい解決策を探求するために再利用できる代替の中間決定を明らかにする。
適応意味分岐 (ASB) は, 軌道間不一致を対象候補生成に変換する訓練不要な推論手法である。
ASB の第1群は、抽出された最終回答によって独立にサンプリングされた軌道をサンプリングし、各群から代表を選択し、それらの推論ステップを単調な動的プログラムと整合させる。
パーシステンス・ディバージェンスの目的は、最初は類似した推論経路が異なる継続を発達する点を特定することである。
選択された各有向対に対して、ASBは、ソース軌跡のテキストプレフィックスを保持し、競合するドナー軌跡から短い推論ウィンドウを抽出し、両方に条件付けされた新鮮な解を生成する。
多様性に配慮したポリシーは、回答クラスタ構造に応じて最大3世代を割り当てる。
Qwen2.5-7B-Instructによる500プロブレムMATH評価では、7つの初期サンプルで445/500 (89.0%)のオラクル候補を455/500 (91.0%)に増やし、55のうち10の正しい候補を回収した。
この手法では、評価セット全体で576回のジェネレーションコールを使用しており、平均8.152回の呼び出しがある。
分岐演算子、アライメント目標、生成ポリシー、実験構成の正確な仕様を提供する。
関連論文リスト
- Bayesian Test-Time Inference of Task-Aligned Similarity from Weak Interactive Feedback [50.42640957891911]
言語モデルシステムは、類似性を比較することで、繰り返しテスト時の決定を行う。
しかし、類似性はユニークではない:語彙、意味、構造、類似性はNの選択点を取得することができる。
本稿では,現在の意思決定を統括するトレーニングフリーベイズ手法であるAxis Interactive Signalsを紹介する。
論文 参考訳（メタデータ） (2026-10-13T16:19:49Z) - Bidirectional Preference Synthesis: Learning Prompt-Conditioned Preferences from Boundary Failures [28.414356387459474]
直接選好最適化(DPO)のためのデータ構成法である双方向選好合成(BPS)を導入する。
BPSは従来のフォワードペアを元のプロンプトの下に保持し、合成されたプロンプトの下に逆ペアを追加する。
Qwen3-4B-Instruct-2507では、BPSはオリジナルサイドのペアのランキングを6.8%から62.3%に引き上げた。
論文 参考訳（メタデータ） (2026-10-03T06:48:35Z) - NeoHorse-1: Towards Recursive Self-Improvement via Agentic Post-Training with Routing Harness [76.6324710887112]
NeoHorse-1は、エージェントのポストトレーニングを通じてこの経路を探索するために開発されたエージェントネイティブモデルのファミリーである。
本システムでは,異種モデルプールとインテリジェントなルーティング,予測能力要求,選択されたサービス層,およびその後のユーザ毎のインタラクションを結合する。
論文 参考訳（メタデータ） (2026-09-08T03:14:54Z) - Disagree to Explore, Agree to Commit: Routing-Guided Test-Time Scaling for Software Agents [60.650808962786364]
外部判断や選択時間テストの実行なしに,ネイティブなMoEルータトレースがステアリングと選択をガイドできるかどうかを検討する。
我々の分析は、ルーティングが堅牢な行動的役割シグナルを提供することを示している。トークン・グラニュラ・リードアウトと決定整合比較セットは、ルーティングを効果的に制御する。
オープンウェイトスパースMOEエージェントを用いたSWEベンチ検証を行い,評価を行った。
論文 参考訳（メタデータ） (2026-08-23T03:07:03Z) - MSA-CITE: A Co-Adapted LoRA Specialist Ecology for Fixed-Budget Small-Model Inference [11.215813718564283]
複数の廃棄されたチェックポイントを、デプロイのための構成可能な資産として扱います。
4パスのポートフォリオは、200のホールドアウト数学アイテムに対して65.5%の精度を達成している。
論文 参考訳（メタデータ） (2026-08-11T10:26:06Z) - Efficient Visual Pointing for Embodied AI:Agent-Driven Data Synthesis, Cross-Block Attention, and Iterative Correction [55.11480729304395]
PointArena 2026は77.2%の精度でベンチマークで2位である。
ap proachは3つの障害モードをターゲットにしている。第一に、エージェント駆動のシンセシスは大きなセマンティクスとアンカー相対的な候補プールを構築する。
次に、determinis tic steerable-dataパイプラインは、認証された10,000サンプルのメインセットと、マスク、テンプレート、パス検証を使用するリザーブサンプルを生成する。
論文 参考訳（メタデータ） (2026-06-29T06:39:03Z) - Enhancing the Outcome Reward-based RL Training of MLLMs with Self-Consistency Sampling [90.87033586963828]
マルチモーダル大言語モデル(MLLM)のステップ・バイ・ステップ推論を洗練させる手段としては,アウトカム・リワード強化学習(RL)が一般的であり,ますます重要になっている。
この問題を修正するために,自己整合サンプリング(SCS)を提案する。
Qwen2.5-VL-7B-インストラクトに基づいて、SCSは、無視できる余分な計算を伴う6つのマルチモーダルベンチマークにおいて、最大7.7ポイントの精度を向上する。
論文 参考訳（メタデータ） (2025-11-13T18:59:57Z) - GuidedSampling: Steering LLMs Towards Diverse Candidate Solutions at Inference-Time [40.94165318043027]
本稿では,新たな推論アルゴリズムである GuidedSampling を提案する。
探索フェーズは問題を解くために利用できる複数の概念を識別し、生成フェーズは最終解候補を提供するための特定の概念を適用する。
論文 参考訳（メタデータ） (2025-10-04T11:02:39Z) - Reverse Preference Optimization for Complex Instruction Following [61.39734201711077]
本稿では,Reverse Preference Optimization (RPO) という,シンプルで効果的な手法を提案する。
選択された応答が完璧であることを保証するために、命令内の制約を動的に反転させることで、優先ペアのノイズを緩和する。
RPOはモデルサイズで効果的にスケールし、70B RPOモデルはGPT-4oを超える。
論文 参考訳（メタデータ） (2025-05-28T09:44:27Z)
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。