본 논문은 대규모 언어 모델(LLM)의 추론 능력 향상을 위해 사슬 기반 추론 방식의 한계점을 극복하는 새로운 추론 프레임워크인 CSCE(Causal Significance and Consistency Enhancer)를 제안합니다. 기존의 사슬 기반 추론(예: Chain of Thought)은 단계별 추론 과정에서의 인과적 환각 문제로 장기 추론 과제에서 어려움을 겪는 반면, CSCE는 인과적 중요성과 일관성을 동시에 고려하여 이 문제를 해결합니다. LLM의 손실 함수를 치료 효과 평가를 활용하여 수정함으로써 인과적 중요성과 일관성 두 가지 측면에서 추론 능력을 향상시키고, 기존의 다단계 연쇄 추론 대신 전체 추론 과정을 한 번에 출력하는 방식으로 효율성을 높입니다. 실험 결과, CSCE는 추론 성공률과 속도 모두 향상시켜 사슬 기반이 아닌 방법도 LLM의 추론 과제 수행에 도움이 될 수 있음을 보여줍니다.
