核心概念
人間の思考プロセスをより現実的にモデル化するためのGraph-of-Thought(GoT)推論アプローチが、言語モデルに対して効果的であることを示す。
摘要
Chain-of-thought(CoT)からGraph-of-Thought(GoT)への進化
GoTは非連続性のある人間の思考をキャプチャし、推論能力を向上させる
テキスト専用およびマルチモーダルなタスクでGoTの優れたパフォーマンスを示す
AQUA-RATとScienceQAでGoTが新たな最高記録を樹立
Introduction:
LMsの進歩とCoTプロンプティングによる理解能力向上
GoTは人間らしい非連続性思考を模倣し、LMsに組み込むことでパフォーマンス向上
Experiments:
AQUA-RATでGoTbaseはFLAN-Alpacabaseよりも0.78% ROUGE-Lスコア向上、回答生成では2.00%精度向上
ScienceQAではMutimodal-CoTbaseよりも2.40%精度向上し、新たな最高記録達成
Results and Discussion:
GoTはCoTに比べて明らかな利点を持ち、LMsの理解力と推論能力を強化することが示された。
さまざまな科目や質問クラスで優れたパフォーマンスを発揮し、特に社会科学分野で5.25%精度向上。
統計資料
GoTbaseはAQUA-RATでROUGE-Lスコア0.78%向上、ScienceQAで2.40%精度向上
引述
"言語モデルは少数ショット学習者です。" - Brown et al., 2020