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
Category
Empty

저자

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

개요

본 논문은 생성형 AI의 두 핵심 목표인 인과 추론과 구성적 추론을 통합적으로 고려하는 '구성적 인과 추론(CCR)' 개념을 제시합니다. CCR은 인과 척도가 어떻게 구성되고 인과적 양이 그래프를 통해 어떻게 전파되는지를 추론하는 능력을 의미합니다. 평균 처리 효과와 필요성 및 충분성 확률을 위한 CCR의 체계적인 평가 프레임워크를 제시하고, Llama, Phi, GPT 계열의 언어 모델을 대상으로 CCR 과제를 설계하여 실증합니다. 수학적 문제 풀이를 통해 다양한 오류 패턴을 밝혀냈으며, o1 모델을 제외한 모든 모델에서 인과 경로의 복잡성이 증가함에 따라 CCR 오류도 증가하는 것을 확인했습니다.

시사점, 한계점

•
시사점:
◦
생성형 AI의 인과 추론 및 구성적 추론 능력을 종합적으로 평가하는 새로운 프레임워크(CCR)를 제시.
◦
다양한 언어 모델의 CCR 능력을 체계적으로 비교 분석하고, 오류 패턴을 규명.
◦
인과 경로의 복잡성과 CCR 성능 간의 상관관계를 확인.
•
한계점:
◦
현재는 제한된 유형의 문제(수학적 문제 풀이)에 대한 평가에 집중.
◦
o1 모델을 제외한 다른 모델에서 인과 경로 복잡성과 오류율의 상관관계를 발견했지만, 그 원인에 대한 심층적인 분석이 부족.
◦
더욱 다양하고 복잡한 시나리오에 대한 CCR 평가가 필요.
👍
Made with Slashpage