トップ › 知識庫 › タグ「論理推論」
KNOWLEDGE VAULT — TAG
タグ「論理推論」
収蔵 21件
2026-11-19
検索拡張型LLMにおける「証拠の有用性」に基づく動的なクレジット割り当て(ECA) Evidence-Based Credit Assignment for Search-Augmented Language Models
出典:Hugging Face Daily Papers (Upvotes: 2 | arXiv:2611.23824)
検索拡張型言語モデル(Search-Augmented LM)に対し、最終的な正誤報酬だけでなく、検索された証拠の有用性を評価する「Evidence-based Credit Assignment (ECA)」を提案。 従来のOutcome Supervisionでは「無意味な検索」も正解に寄与したと誤認されるが、ECAは凍結されたポリシーを用いて証拠の寄与度を分離評価することで、学習の効率を劇的に改善。 MultiHop-RAGを含む複数の検索QAベンチマークにおいて、特にQwen2.5等の軽量モデルで顕著な精度向上(最大4.8pt)と、マルチホップ推論への強い汎用性を示した。 2026-11-19
「Attention at Absolute Zero」:ソフトアテンションの限界を打破する「零度(Zero Temperature)」の高次推論層 Attention at Absolute Zero
出典:Hugging Face Daily Papers (Upvotes: 2 | arXiv:2611.11937)
ソフトアテンションの「重みの分散」「スコアの隙間」「状態のドリフト」という構造的欠陥を、零度(Zero Temperature)での高次アテンション層で解決する手法。 従来のソフトアテンションが大規模データで精度を落とすのに対し、本手法は「証人(Witnesses)」の比較ビットを用いることで、極めて高い正確性とスケーラビリティを両立。 論理推論(2-SAT、彩色問題)、家族関係の連鎖、CLUTRR等の複雑な関係性抽出において、既存のSOTAや凍結された7Bモデルを凌駕する性能を発揮。 2026-11-19
Attentionネットワークをハード論理回路へ変換:推論高速化と解釈性を両立する「テセウスの船」型置換手法 How to Turn an Attention Neural Network into an Interpretable Hard-Logic Predicate Circuit: Truth-Table Predicate Extraction and State-Machine Merging under Ship-of-Theseus Replacement
出典:arXiv cs.LG (Machine Learning) (Authors: Yuchen Li, Zongqi Fan, Xintong Li et al. | 2026-11-18)
学習済みAttentionネットワークを、0/1の述語と最小化された真理値表からなるハード論理回路へ変換する手法の提案。 GPU推論と比較して2〜3桁高速なFPGA実装を可能にしつつ、教師モデルの正解データのみを模倣することで高い精度を維持。 DistilGPT2やBERTを用いた感情分析等のタスクにおいて、極めて低消費電力かつ高速なエッジ推論を実現する。 2026-11-19
LogT:論理的思考を組み込んだ自動データ生成による、高効率な視覚検索・ツール利用の最適化 LogT: Logically Think with Images for Visual Search
出典:Hugging Face Daily Papers (Upvotes: 1 | arXiv:2611.19200)
視覚言語モデル(VLM)にZoom-inツールを用いた微細な視覚検索と論理的推論を統合する「LogT」を提案。 複雑な強化学習(RL)に頼らず、論理鎖(Logic-chain)を強制した高品質なSFTデータ生成により、RL手法を凌駕する精度を達成。 極めて少ないデータ量と計算リソース(GPU時間)で、複雑な視覚的問いに対する正確かつ効率的なツール操作を実現。 2026-11-19
基盤モデルへの「不確実性」の明示による推論精度の大幅な向上 Tell Me How Sure You Are: Communicating Uncertainty in Auxiliary Evidence to Foundation Models
出典:arXiv cs.LG (Machine Learning) (Authors: Soumyajit Chatterjee, Baturalp Buyukates, Abhirup Ghosh | 2026-11-18)
LLM/VLMへの補助情報(Context)を注入する際、その情報の「不確実性」を併せて伝える手法の有効性を実証。 不確実性を伝達することで、従来のプロンプト手法と比較してMacro-F1スコアを最大26.18ポイント改善。 人間による主観的な不確実性および学習モデルによる予測不確実性の両方が、下流の意思決定を正しく導く。 2026-11-18
法的推論の核心を突く:検索と長文生成を統合したドイツ公法試験ベンチマーク「GPBam」の構築 GPBam: A Retrieval-Aware German Public Law Exam Benchmark
出典:Hugging Face Daily Papers (Upvotes: 0 | arXiv:2611.18981)
ドイツ公法試験(Gutachten)を模した、法的根拠の特定と論理構築を統合評価する新ベンチマーク「GPBam」の提案。 単なる知識の暗記ではなく、法規範の「検索(Retrieval)」と「長文生成(Long-form Generation)」の相関を定量化。 法務AIにおいて、検索精度の向上が最終的な論理構築のスコアにどの程度寄与するかを評価する際に極めて有効。 2026-11-18
Microsoftが発表した次世代コード生成モデル「MAI Code 2」と高速版「Flash」の全貌 MAI Code 2 and Code 2 Flash
出典:Hacker News (Top Stories) (HN Score: 205 pts by lemonish97)
Microsoftが開発した、高度な推論とコード生成に特化した最新のLLM「MAI Code 2」および高速推論版「Flash」の発表。 従来のモデルと比較し、複雑な論理推論能力を維持しつつ、Flashモデルでは極めて高いスループットと低遅延を実現。 大規模なソフトウェア開発、複雑なアルゴリズムの実装、およびリアルタイム性が求められるコード補完のタスクで圧倒的な性能を発揮。 2026-11-18
再帰的推論をエネルギー関数で制御する「Energy-Based Reasoners (EBR)」の提案 Energy-Based Reasoners: Your Recurrent Reasoner Should Be an Energy-Based Model
出典:Hugging Face Daily Papers (Upvotes: 1 | arXiv:2611.08977)
再帰的構造(Looping)を用いた潜在空間での多段階推論を、エネルギー関数に基づく勾配降下として定式化した研究。 「いつ停止するか」「どう改善するか」という既存のループモデルの課題を、エネルギーの勾配による指針と停止条件の明示化で解決。 数独(Sudoku-Extreme)等のアルゴリズム推論や、複数の正解が存在する多解問題において、極めて高い精度と推論効率を両立。 2026-11-18
次世代LLM「GPT-6.2 Astra & Sol」の発表とマルチモーダル推論の進化 GPT‑6.2 Astra and Sol
出典:Hacker News (Top Stories) (HN Score: 906 pts by jasondavies)
OpenAIによる次世代モデル「GPT-6.2 Astra」および「Sol」の導入に関する発表。 従来の推論能力を凌駕する、より高度なマルチモーダル統合と推論の安定性を実現。 複雑な論理推論、高度なコーディング、およびマルチモー制約下の意思決定問題で圧倒的な性能を発揮。 2026-11-17
「Lattice of Latents」:計算状態の水平拡張による次世代の推論能力強化 Latent Lattice Language Models
出典:arXiv cs.LG (Machine Learning) (Authors: Shivam Duggal, Zongze Wu, William T. Freeman et al. | 2026-11-16)
深層構造や再帰的推論の深化ではなく、モデルが維持する「アクティブな計算状態(Latent Lattice)」の数を増やすことで計算能力を拡張する手法。 従来のTransformerやSSM(Mamba等)の残差ストリームに対し、時間軸に沿って持続する水平な潜在ストリームを付加することで、KVキャッシュやMLPの計算を直接条件付ける。 FineWeb-Edu等の大規模データを用いた学習において、パラメータ数を維持したままPerplexityを大幅に改善し、特にハイブリッド構造(Mamba-2等)との相乗効果が高い。 2026-11-17
VLMにおける視覚的推論の「計画性」の解明:Binding・Progress・Select・Gazeの4段階メカニズム How VLMs Plan What's Next
出典:arXiv cs.LG (Machine Learning) (Authors: Rohit Gandikota, Arnab Sen Sharma, Adam Belfki et al. | 2026-11-16)
VLMが画像内のオブジェクトを記述する際の「次をどこを見るか」という計画プロセスを4つの内部機構として特定。 単なる逐次的な処理ではなく、進捗信号(Cursor)と未記述領域の選択という動的な計画メカニズムを解明。 マルチステップの複雑なタスクや、長大な推論(Long Rollouts)を要する視覚的QAにおいて、モデルの挙動予測に威力を発揮。 2026-11-17
Baggingを用いたCoT学習の理論的最適化:推論長に依存しないサンプル複雑度の達成 Optimal Autoregressive Chain-of-Thought Learning via Bagging
出典:arXiv cs.LG (Machine Learning) (Authors: Awni Altabaa, John Lafferty, Omar Montasser | 2026-11-16)
Bagging(ブートストラップ・アンサンブル)を用いて、Chain-of-Thought(CoT)の推論過程と一貫性のある次トークン生成モデルを学習する手法の提案。 従来のCoT学習では推論長 $T$ に依存するサンプル複雑度が生じるが、本手法はVC次元に基づく最適なサンプル複雑度 $O((d_{\mathrm{VC}}+\log(1/δ))/ε)$ を達成。 CoTの長さが非常に長い複雑な推論タスクにおいて、データ効率を維持したまま高精度な推論モデルを構築する際に極めて強力。 2026-11-17
LLMの「研究構想(Ideation)」の限界を解明:生成能力より探索空間の質が鍵を握る Re-Search: Dissecting LLM Ideation Through a Two-Player Questioning Game
出典:Hugging Face Daily Papers (Upvotes: 6 | arXiv:2611.14487)
LLMが研究課題から核心的なアイデアを「再発見」するプロセスを、20のYes/No質問によるゲーム形式で定量化した研究。 既存の評価では見落とされていた「思考の推移」を可視化し、LLMの限界が「判断力」ではなく「生成能力」にあることを特定。 LLMは提示された良いアイデアを評価する能力は高いが、自力で生成する能力は低いため、外部知識を注入した探索が有効。 2026-11-17
微分可能有限状態トランスデューサ(DFST)による「正確な学習」と極限的な長さ汎化の実現 Differentiable Exact Learning
出典:arXiv stat.ML (Statistical ML) (Authors: Hristo Papazov, Francesco D'Angelo, Nicolas Flammarion | 2026-11-16)
外部環境と状態追跡ニューラルコントローラを結合し、内部状態を隠蔽した軌跡(PTOs)から学習する「微分可能正確学習(DEL)」フレームワークの提案。 従来のRNN/GRU等の連続的な表現に対し、DFST(微分可能有限状態トランスデューサ)を導入することで、計算の普遍性を維持しつつ極限的な長さ汎化を達成。 算術演算や万能シミュレーション(Turing Machine)といった、厳密な正確性が求められる離散的な論理構造の学習において圧倒的な威力を発揮する。 2026-11-16
エネルギー関数による推論の高速化:Loopedモデルを1,000倍凌駕するCRAMの衝撃 Classical Energies Learn to Reason 1,000x Faster than Looped Models
出典:arXiv cs.LG (Machine Learning) (Authors: Benjamin Hoover, Hugh Blayney, James C. R. Whittington | 2026-11-12)
推論タスクを「エネルギー関数の最小化」として定式化するCRAM(Hopfield & Tankの発展型)の提案。 従来のLoopedモデルと比較し、学習の安定性、推論速度(最大1,000倍)、FLOPsの劇的な削減を実現。 SudokuやMazeといった制約条件の強い論理パズルにおいて、極めて高い精度と計算効率を両立。 2026-11-16
MoEにおける「局所的な誤差改善」と「最終出力の精度」の乖離:多段階推論におけるエキスパート共有の理論的境界 From Local Prediction Error to Final Outputs: A Theory of Expert Sharing in Multi-Step Reasoning
出典:arXiv cs.LG (Machine Learning) (Authors: Tiantong Wang, Zhiren Gong, Yixin Wang et al. | 2026-11-13)
MoEモデルにおける「層間・ステップ間でのエキスパート共有」が、最終的な推論精度に与える影響を数理的に解明。 局所的な予測誤差(Local Prediction Error)を減らしても、多段階の推論過程(Composition)を経て最終出力の誤差が増大する「リスクの逆転」現象を特定。 低データ環境のTransformerにおいて、教師あり学習(Teacher-forced)では改善が見られても、自由推論(Free-running)では改善が見られない現象を実証。 2026-11-14
ニューロシンボリックRLによる投資制約の内部化:連続アクション空間での制約遵守最適化 Internalizing Investment Mandates: A Neurosymbolic RL Approach to Portfolio Allocation
出典:arXiv cs.LG (Machine Learning) (Authors: Zeynep Yıldız, Satchit Chatterji, Ercan Atam et al. | 2026-11-12)
投資方針(IPS)に基づく資産配分制約を、強化学習(RL)の目的関数に直接組み込むニューロシンボリック手法の提案。 従来の報酬ペナルティ型や離散アクション前提のPLPGに対し、再パラメータ化モンテカルロサンプリングを用いた連続アクション空間での制約充足確率を学習。 市場レジームに応じた複雑な多重制約下において、後処理(Post-hoc)なしで制約違反を劇的に抑制(96%→4.8%)する。 2026-11-09
重み空間プログラミング(WSP):勾配更新を介さない超高効率なモデル編集と汎化性能の探求 Exploring Weight-Space Programming: Capabilities, Generalization, and Limitations
出典:Hugging Face Daily Papers (Upvotes: 3 | arXiv:2611.09382)
推論エージェントがニューラルネットワークのパラメータを直接操作・修正する「Weight-Space Programming (WSP)」の能力と限界を評価。 勾配ベースの微調整(Fine-tuning)に対し、わずか1,023個のパラメータ修正でMATH-500等のベンチマークで最大29.45ptの精度向上を達成。 特定のタスク(数学等)の編集が他タスク(GPQA, SciBench等)へ正の転移を起こす一方で、汎化の不均衡や編集の不安定性も確認。 2026-11-09
「書くこと」を思考の外部メモリとして活用する認知プロセスと構造化手法 Writing as a thinking tool
出典:Hacker News (Top Stories) (HN Score: 67 pts by jruohonen)
「書くこと」を単なるアウトプットではなく、思考を整理・深化させるための「思考ツール」として再定義する手法。 脳内の曖昧な概念を言語化・構造化することで、認知負荷を軽減し、より高次な推論や問題解決を可能にする。 複雑なアルゴリズムの設計、抽象度の高いビジネス課題の構造化、およびモデルの解釈性を高めるためのドメイン知識抽出に極めて有効。 2026-11-08
ベイズ相関均衡、ベイズゲームにおけるノーレグレット動態、および無秩序の価格 Bayes correlated equilibria, no-regret dynamics in Bayesian games, and the price of anarchy
出典:arXiv Core: Ensemble Diversity & Empirical Bayes (Authors: Kaito Fujii | 2023-04-11)
不完全情報ゲーム(ベイズゲーム)における相関均衡の効率的な計算と、無秩序の価格(Price of Anarchy)の境界に関する研究。 従来のノーレグレット動態ではベイズゲームにおける相関均衡の定義が複数存在し、計算可能性や性能保証が不明確であった問題を特定。 「不誠実なスワップ・レグレット(untruthful swap regret)」という新しいレグレットの概念を導入し、効率的な計算と性能保証の両立を提案。 2026-11-08
科学的再発見のためのLLM評価基盤:OpenFrontiersによる科学的推論能力の定量的評価 OpenFrontiers: A Collection of Open Research Problems and a Benchmark for Scientific Rediscovery
出典:Hugging Face Daily Papers (Upvotes: 4 | arXiv:2610.37739)
* 科学的課題(数千の証明を含む)に対するLLMの能力を評価するベンチマーク「
このページの要約は、収集パイプラインが自動生成した digest(要約)です。内容の正確なところは、必ず各項目の出典リンク先の原文で確認してください。出典の本文そのものは掲載していません。ジャンル分けも自動分類のため、周辺の話題が混ざることがあります。