Daily Arxiv

전 세계에서 발간되는 인공지능 관련 논문을 정리하는 페이지 입니다.
본 페이지는 Google Gemini를 활용해 요약 정리하며, 비영리로 운영 됩니다.
논문에 대한 저작권은 저자 및 해당 기관에 있으며, 공유 시 출처만 명기하면 됩니다.

SCOUT: Teaching Pre-trained Language Models to Enhance Reasoning via Flow Chain-of-Thought

Created by
  • Haebom

저자

Guanghao Li, Wenhao Jiang, Mingfeng Chen, Yan Li, Hao Yu, Shuting Dong, Tao Ren, Ming Tang, Chun Yuan

개요

본 논문은 사고 과정(Chain of Thought, CoT) 프롬프팅의 확장성 및 일반화 한계를 해결하기 위해 흐름 사고 과정(Flow CoT)이라는 새로운 추론 패러다임을 제시합니다. Flow CoT는 반복적인 추론을 잠재적인 인지 상태의 점진적인 궤적으로 모델링하여, 각 반복을 상호 연결된 인지 단계로 간주합니다. 이를 위해, 사전 학습 없이도 Flow CoT 스타일의 추론을 가능하게 하는 경량 미세 조정 프레임워크인 SCOUT (Stepwise Cognitive Optimization Using Teachers)를 제안합니다. SCOUT는 점진적인 증류와 교차 어텐션 기반의 회고 모듈을 사용하여 각 반복을 적절한 용량의 교사 모델과 정렬하고 이전 반복의 출력을 통합합니다. 여러 추론 벤치마크에서 SCOUT는 정확도와 설명의 질을 향상시키며, 최대 1.8%의 성능 향상을 달성합니다.

시사점, 한계점

•
시사점:
◦
Flow CoT는 CoT의 확장성 및 일반화 문제를 해결하는 새로운 추론 패러다임을 제시합니다.
◦
SCOUT는 사전 학습 없이도 Flow CoT 스타일의 추론을 가능하게 하는 효율적인 미세 조정 프레임워크입니다.
◦
실험 결과, SCOUT는 정확도와 설명의 질을 향상시키는 효과를 보였습니다.
◦
점진적인 추론 과정을 통해 신념 형성과 설명의 세밀도를 향상시킵니다.
•
한계점:
◦
SCOUT의 성능 향상이 1.8%로 상대적으로 크지 않을 수 있습니다.
◦
다양한 종류의 추론 문제에 대한 일반화 성능에 대한 추가적인 연구가 필요합니다.
◦
SCOUT의 계산 비용 및 효율성에 대한 더 자세한 분석이 필요할 수 있습니다.
👍
Made with Slashpage