SalaMAnder：基于Shapley值的数学表达式归因与链律推理指标
人工智能
2025-09-23 v1 计算与语言
摘要
链律推理（Chain-of-Thought, CoT）提示技术在大型语言模型（LLM）的数学推理能力上取得了显著提升。然而，这些改进背后的机制仍未被探索。本文提出了‛**SalaMAnder**（**S**hapley-based **M**athematical **A**ttribution and **n**d **M**etric）——一种在少样本链律推理中，用于量化组件级贡献的理论依据方法以及数学严谨的评估指标。具体而言，我们利用Shapley值进行数学表达式的归因，并开发了一种高效的分层抽样算法，显著降低了计算复杂度。此外，我们通过协方差分析开发了‛**CoSP**（**C**ardinality **o**f **S**hapley **P**ositives）指标。广泛的实验验证表明，在我们的SalaMAnder框架中，CoSP指标与模型性能之间呈现稳健的单调相关性，这不仅为现有少样本链律推理的实证成功提供了理论解释，还为提示构造优化建立了数学严谨的原则。我们进一步基于此验证了解释的可靠性，并统一了之前工作的洞见。
引用
@article{arxiv.2509.16561,
title = {SalaMAnder: Shapley-based Mathematical Expression Attribution and Metric for Chain-of-Thought Reasoning},
author = {Yue Xin and Chen Shen and Shaotian Yan and Xiaosong Yuan and Yaoming Wang and Xiaofeng Zhang and Chenxi Huang and Jieping Ye},
journal= {arXiv preprint arXiv:2509.16561},
year = {2025}
}
备注
accpeted by EMNLP 2025