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.

Focused Chain-of-Thought: Efficient LLM Reasoning via Structured Input Information

Created by
  • Haebom
Category
Empty

저자

Lukas Struppek, Dominik Hintersdorf, Hannah Struppek, Daniel Neider, Kristian Kersting

개요

본 논문은 대규모 언어 모델(LLM)의 추론 효율성을 향상시키기 위해 훈련이 필요 없는 입력 중심 접근 방식을 제안한다. 기존의 효율성 연구가 모델 자체에 집중하는 것과 달리, 논문은 인지 심리학에서 영감을 얻어 "Focused Chain-of-Thought (F-CoT)"를 도입한다. F-CoT는 질문에서 핵심 정보를 추출하여 구조화된 컨텍스트를 구성하고, 모델이 이 컨텍스트만을 기반으로 추론하도록 유도한다. 이는 불필요한 정보에 대한 주의를 차단하여 더 짧은 추론 경로를 생성한다. 산술 문제에 대한 실험 결과, F-CoT는 기존의 zero-shot CoT와 유사한 정확도를 유지하면서 생성된 토큰 수를 2-3배 줄였다.

시사점, 한계점

•
시사점:
◦
훈련 없이 LLM 추론 효율성을 향상시키는 새로운 접근 방식 제시 (입력 중심).
◦
F-CoT는 토큰 사용량과 추론 지연 시간을 줄여 LLM의 효율성을 개선.
◦
구조화된 입력이 LLM 추론의 효율성을 높이는 효과적인 방법임을 입증.
•
한계점:
◦
제안된 방법의 일반화 가능성에 대한 추가 연구 필요.
◦
다른 유형의 문제나 데이터셋에 대한 F-CoT의 성능 검증 필요.
◦
F-CoT의 최적화된 구현 및 적용 방법에 대한 추가 연구 필요.
👍
Made with Slashpage