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.

Large Language and Reasoning Models are Shallow Disjunctive Reasoners

Created by
  • Haebom

저자

Irtaza Khalid, Amir Masoud Nourollah, Steven Schockaert

개요

본 논문은 대규모 언어 모델(LLM)의 체계적 추론 능력 부족 문제를 다룹니다. LLM은 특히 분포 외(OOD) 데이터에 대해서는 단순한 지름길을 활용하여 문제를 풀기 때문에 성능이 저하됩니다. 강화 학습 및 사고 연쇄 프롬프팅 기반의 사후 훈련 전략이 제시되었으나, 수학 및 프로그래밍 문제 해결 외 영역에서의 성능은 아직 불확실합니다. 본 연구는 공간 및 시간적 추론을 필요로 하는 체계적인 관계적 구성 과제에 초점을 맞춰, 문제 난이도를 정밀하게 조절하여 OOD 일반화 능력을 측정합니다. 제로샷 대규모 추론 모델(LRM)은 단일 경로 추론 과제에서 LLM보다 성능이 우수하지만, 다중 경로 추론 과제에서는 어려움을 겪는다는 것을 발견하였습니다. 미세 조정된 LLM 또한 다중 경로 일반화에 어려움을 보이며, LRM이 피상적인 분리적 추론자임을 시사하는 행동적 해석을 제공합니다.

시사점, 한계점

시사점:
제로샷 LRM이 단일 경로 추론 과제에서 LLM보다 우수한 성능을 보임을 확인했습니다.
다중 경로 추론 과제에서 LLM과 LRM 모두 일반화에 어려움을 겪는다는 것을 밝혔습니다.
LRM의 행동적 특성을 분석하여 피상적인 분리적 추론자임을 제시했습니다.
공간 및 시간적 추론 과제를 통해 OOD 일반화 능력을 정밀하게 측정하는 새로운 방법론을 제시했습니다.
한계점:
연구는 특정 유형의 추론 과제(공간 및 시간적 추론)에 국한되어 일반화 가능성에 제한이 있습니다.
다중 경로 추론 과제에서 LRM과 LLM 모두의 성능 저하 원인에 대한 심층적인 분석이 부족합니다.
LRM의 피상적인 분리적 추론자 특성을 극복하기 위한 구체적인 해결 방안 제시가 미흡합니다.
👍