LLM-based 假设搜索在少样本规则诱导中的错误来源分析

Aishni Parab; Hongjing Lu; Ying Nian Wu; Sumit Gulwani

LLM-based 假设搜索在少样本规则诱导中的错误来源分析

人工智能 2025-09-03 v1 计算与语言机器学习神经与进化计算

作者: Aishni Parab , Hongjing Lu , Ying Nian Wu , Sumit Gulwani

摘要

归纳推理使人类能够从有限的例子中推断抽象规则并应用于新情境。本文我们比较了基于 LLM 的假设搜索框架与直接程序生成方法在少样本规则诱导任务上的表现。我们的发现表明,假设搜索的性能与人类相当,而直接的程序生成明显落后。错误分析揭示了假设生成中的关键瓶颈,并提出了推进程序诱导方法的方向。总体而言,本文强调了基于 LLM 的假设搜索在模拟归纳推理方面的潜力,以及构建更高效系统的挑战。

关键词

基于 LLM 的假设搜索少样本规则诱导错误分析程序诱导归纳推理

引用

@article{arxiv.2509.01016,
  title  = {Analysis of Error Sources in LLM-based Hypothesis Search for Few-Shot Rule Induction},
  author = {Aishni Parab and Hongjing Lu and Ying Nian Wu and Sumit Gulwani},
  journal= {arXiv preprint arXiv:2509.01016},
  year   = {2025}
}

备注

This is the preprint version corresponding to our NeurIPS 2025 Workshop on Multimodal Algorithmic Reasoning submission

LLM-based 假设搜索在少样本规则诱导中的错误来源分析

摘要

关键词

引用

备注

相关论文