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.

Compositional Causal Reasoning Evaluation in Language Models

Created by
  • Haebom

저자

Jacqueline R. M. A. Maasch, Alihan Huyuk, Xinnuo Xu, Aditya V. Nori, Javier Gonzalez

개요

본 논문은 인공지능(AI)에서 핵심적인 두 가지 목표인 인과 추론과 구성적 추론을 동시에 고려하는 통합적 관점인 구성적 인과 추론(CCR)을 제시합니다. CCR은 인과 척도가 어떻게 구성되고, 동등하게 인과적 양이 그래프를 통해 어떻게 전파되는지를 추론하는 능력을 의미합니다. 평균 처리 효과와 필요성 및 충분성의 확률에 대해 CCR을 체계적으로 평가하는 프레임워크를 제시하고, Llama, Phi, GPT 계열의 언어 모델에 대한 CCR 평가를 실증적으로 보여줍니다. 수학적 단어 문제를 통해 다양한 분류학적으로 구별되는 오류 패턴을 밝혀냈으며, o1을 제외한 모든 모델에서 인과 경로의 복잡성이 증가함에 따라 CCR 오류가 증가함을 확인했습니다.

시사점, 한계점

•
시사점:
◦
인과 추론과 구성적 추론을 통합적으로 평가하는 새로운 프레임워크(CCR)를 제시.
◦
다양한 언어 모델의 인과 추론 능력을 체계적으로 비교 및 분석 가능.
◦
수학적 단어 문제를 통해 모델의 오류 패턴을 상세히 분석.
◦
모델의 인과 추론 능력과 인과 경로 복잡성 간의 상관관계를 규명.
•
한계점:
◦
현재 프레임워크는 특정 유형의 문제(수학적 단어 문제)에 국한됨.
◦
o1 모델을 제외한 다른 모델에서 인과 경로 복잡성과 CCR 오류 간의 상관관계가 관찰되었으나, 그 이유에 대한 심층적인 분석 부족.
◦
제시된 프레임워크의 일반화 가능성 및 다른 AI 시스템에 대한 적용 가능성에 대한 추가 연구 필요.
👍
Made with Slashpage