論文の概要: Same Task, Different Statement: When and How Reformulation Helps LLM Problem Solving
- arxiv url: http://arxiv.org/abs/2611.14997v1
- Date: Wed, 11 Nov 2026 03:55:59 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-11-14 01:36:33.003624
- Title: Same Task, Different Statement: When and How Reformulation Helps LLM Problem Solving
- Title(参考訳): 同じタスクと異なるステートメント: 改革がLLMの問題解決にどのように役立つか
- Abstract要約: 問題文を書き換えることで,同じ習慣が大きな言語モデルに役立つかどうかを考察する。
正しい書き直しを選択できる神託は、平均して+27.6%精度を上げる。
たった一つの書き直しがすべての問題に役立ち、ミスマッチした書き直しが傷つく可能性がある。
- 参考スコア(独自算出の注目度): 29.87240679535815
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: When people face a hard problem, they often restate it in a clearer way before solving it. We study whether the same habit helps large language models by rewriting the statement of a problem. A legal rewrite must keep the meaning, the constraints, and the correct answer unchanged. We test three kinds of rewrites. Decomposition makes hidden subgoals explicit. Typed Reformulation casts the task into a more suitable solving frame. Concept Reduction removes surface detail and exposes the task structure. We evaluate them on eight math, logic, and code benchmarks with eight models, all under the same chain-of-thought solving prompt. The effect is large but depends on the problem type. An oracle that picks the best rewrite after the fact raises accuracy by +27.6% on average. Yet no single rewrite helps every problem, and a mismatched rewrite can hurt. Still, the effect follows clear patterns. Each kind of rewrite fits certain problem types. A simple fixed rule learned from one set of problems transfers part of the gain to new problems. It gains +11.0% on the problems it chooses to rewrite, while blind rewriting loses 5.6% on a similar share of problems. Rewriting is therefore not a universal way to solve problems. The question is when and how to rewrite.
- Abstract(参考訳): 難しい問題に直面している場合、解決する前に、より明確な方法で再起動することが多い。
問題文を書き換えることで,同じ習慣が大きな言語モデルに役立つかどうかを考察する。
法的な書き直しは、意味、制約、そして正しい答えをそのまま保たなければならない。
私たちは3種類の書き直しをテストします。
分解は隠されたサブゴールを明示する。
Typed Reformulationは、タスクをより適切な解決フレームにキャストする。
コンセプトリダクションは表面の詳細を削除し、タスク構造を公開する。
8つのモデルを持つ8つの数学、論理、およびコードベンチマークでそれらを評価します。
効果は大きいが、問題の種類によって異なる。
正しい書き直しを選択できる神託は、平均して+27.6%精度を上げる。
しかし、すべての問題にひとつの書き直しは役に立たないし、ミスマッチした書き直しが傷つく可能性がある。
それでもその効果は明らかなパターンに従っている。
それぞれの書き直しは特定の問題タイプに適合します。
ある問題の集合から学んだ単純な固定規則は、その利得の一部を新しい問題に移す。
書き直しを選択した問題に対して+11.0%を得る一方、視覚障害者の書き直しは同様の問題で5.6%を失う。
したがって、書き換えは問題を解決する普遍的な方法ではない。
問題はいつ、どのように書き直すかだ。
関連論文リスト
- Rebuilding a Field's Open-Problem Catalog from the Literature: A Two-Layer Knowledge Graph, and Why Status Must Stay Proposed [0.0]
データベース研究(1,053問題)とAI研究(1,000問題)
再構築されたグラフは、カタログのみのグラフが答えたすべての質問に答える。
41件のうち9件は正解、30件は正解、2件は誤判定である。
論文 参考訳(メタデータ) (2026-10-29T09:01:47Z) - Detecting and Repairing Hallucinations in Retrieval-Augmented Generation [0.6918455480131248]
検索されたテキストでモデルをグラウンドすることは、サポートされないステートメントを減らすが、それを排除しない。
RAGTruthという,手動でアノテートしたベンチマークを用いて,各フラグ付き回答を個々の事実的クレームに分割した。
リッチ性を高めるための3つの修復戦略 – サポート対象のクレームを削除すること,ソーステキストに置き換えること,そしてそれを書き換えること – で回答を手元に残すことを比較した。
論文 参考訳(メタデータ) (2026-08-29T14:46:58Z) - LLM-R2: A Large Language Model Enhanced Rule-based Rewrite System for Boosting Query Efficiency [65.01402723259098]
本稿では,LLM-R2 という新しいクエリ書き換え手法を提案する。
実験結果から,本手法はクエリ実行効率を大幅に向上し,ベースライン法よりも優れていることがわかった。
論文 参考訳(メタデータ) (2024-04-19T13:17:07Z) - SCREWS: A Modular Framework for Reasoning with Revisions [58.698199183147935]
我々は、リビジョンを伴う推論のためのモジュラーフレームワークであるSCREWSを紹介する。
我々は、SCREWSが、共通のフレームワークの下で、いくつかの以前のアプローチを統合することを示す。
我々は,多種多様な推論タスクに基づいて,最先端のLCMを用いてフレームワークの評価を行った。
論文 参考訳(メタデータ) (2023-09-20T15:59:54Z) - Making Large Language Models Better Reasoners with Step-Aware Verifier [49.16750018427259]
DIVERSE(Diverse Verifier on Reasoning Step)は、言語モデルの推論能力をさらに強化する新しいアプローチである。
最新の言語モデルであるcode-davinci 上で DIVERSE を評価し,8つの推論ベンチマークのうち6つで新たな最先端結果が得られることを示す。
論文 参考訳(メタデータ) (2022-06-06T03:38:36Z) - Least-to-Most Prompting Enables Complex Reasoning in Large Language
Models [52.59923418570378]
本稿では, 難解な一般化の課題を克服するために, 最小限のプロンプト戦略を提案する。
最小限のプロンプトは、プロンプトで見られるものよりも難しい問題に一般化可能であることを示す。
SCANの解決を専門とする文献におけるニューラルシンボリックモデルは、15,000以上のサンプルを含むトレーニングセット全体をトレーニングする。
論文 参考訳(メタデータ) (2022-05-21T15:34:53Z) - Learning by Fixing: Solving Math Word Problems with Weak Supervision [70.62896781438694]
数学用語問題(mwps)の従来のニューラルネットワークソルバは、完全な監視によって学習され、多様なソリューションを生み出すことができない。
MWPを学習するためのテキスト弱教師付きパラダイムを提案する。
この手法は最終回答のアノテーションのみを必要とし、単一の問題に対して様々な解決策を生成できる。
論文 参考訳(メタデータ) (2020-12-19T03:10:21Z)
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。