본 논문은 대규모 언어 모델(LLM)의 수학적 추론 능력 향상을 위한 새로운 프레임워크인 Self-Error-Instruct (SEI)를 제안합니다. 기존의 오류 학습 방식이 개별적인 오류 사례에만 집중하는 것과 달리, SEI는 오류 사례들에 내재된 일반적인 패턴을 파악하여 더욱 일반화된 표적 학습 데이터를 생성합니다. 구체적으로, GSM8K와 MATH 데이터셋을 사용하여 모델의 오류 사례를 분석하고, GPT-4o를 활용하여 오류 유형을 분류합니다. 각 오류 유형에 대해 몇몇 대표적인 오류 사례를 선택하여 GPT-4o 기반의 self-instruct 방식으로 추가 학습 데이터를 생성하고, one-shot learning을 통해 효과적인 예시만을 선별합니다. 마지막으로, 선별된 데이터를 사용하여 모델을 미세 조정하고, 이 과정을 반복하여 모델의 수학적 추론 능력을 향상시킵니다. 실험 결과, 다양한 모델에서 in-domain 및 out-of-domain 수학 데이터셋 모두에서 성능 향상을 확인하여 SEI의 효과를 입증합니다.