\%$まで改善しつつ、忠実で一貫した推論を生成することを示しています
ReSS：象徴的スキャフォールドを介した表形式データ予測のための推論モデルの学習
arXiv cs.AI / 2026/4/16
💬 オピニオンIdeas & Deep AnalysisModels & Research
要点
- 本論文は、医療や金融のような高リスク領域における表形式予測のために、象徴的な決定木ロジックとニューラルLLMの推論を橋渡しする枠組みReSSを提案する。
- ReSSは、インスタンスごとの決定経路を象徴的スキャフォールドとして抽出し、それを条件付けとしてLLMに与えることで、決定ロジックに厳密に従う、根拠に基づいた自然言語による説明を生成させる。
- 生成されたスキャフォールドに基づくデータセットを用いて、事前学習済みのLLMを微調整し、スキャフォールド不変のデータ拡張によって汎化性能と説明可能性を高める、専門的な表形式推論モデルへと仕上げる。
- 著者らは、生成された推論が基底のロジックを反映していることを検証するために、定量的な忠実度評価指標（例：幻覚率、説明の必要性、説明の十分性）を導入する。
- 医療および金融のベンチマークに関する実験では、従来の決定木および標準的な微調整に比べて最大10%の改善が報告されるとともに、より忠実で一貫した推論が得られる。
