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.

Self-Error-Instruct: Generalizing from Errors for LLMs Mathematical Reasoning

Created by
  • Haebom

저자

Erxin Yu, Jing Li, Ming Liao, Qi Zhu, Boyang Xue, Minghui Xu, Baojun Wang, Lanqing Hong, Fei Mi, Lifeng Shang

개요

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.

시사점, 한계점

시사점:
LLM의 수학적 추론 능력 향상을 위한 효과적인 새로운 프레임워크(SEI) 제시
오류 사례에서 일반적인 패턴을 학습하여 일반화 성능 향상
GPT-4o와 같은 강력한 언어 모델을 활용한 효율적인 오류 분석 및 데이터 생성
in-domain 및 out-of-domain 데이터셋에서 모두 성능 향상 확인
한계점:
GPT-4o와 같은 강력한 언어 모델에 대한 의존도가 높음.
오류 유형 분류의 정확성 및 일반화 가능성에 대한 추가적인 연구 필요.
사용된 데이터셋의 특성에 따라 성능이 달라질 수 있음.
더욱 다양하고 복잡한 수학 문제에 대한 일반화 성능 검증 필요.
👍