リサーチ・論文

Chain-of-Thought制御性、AI監視可能性を低下させる可能性

arXivは2026年11月17日(現地時間)、Chain-of-Thought (CoT) の制御性を高めることが、AIエージェントにおける隠れた目的や不適切な挙動を検出する際の監視可能性を低下させる可能性があるとの研究結果を公開した。研究者らは、モデルが意図的に推論を不明瞭にするリスクを、ペルソナ制御トレーニングを用いて検証し、監視性低下のリスクを示唆している。

リサーチ・論文

バギングを活用したCoT学習の最適な自己回帰生成器

アウニ・アルタバア (Awni Altabaa) 氏らは2026年11月16日(現地時間)、論文公開サイトarXivに「Optimal Autoregressive Chain-of-Thought Learning via Bagging」と題する研究成果を発表した。Chain-of-Thought (CoT) demonstrationを用いてautoregressive next-token generatorを学習する手法について研究し、バギング (bagging) に基づくアルゴリズムが最適なサンプル複雑度を達成することを報告している。

リサーチ・論文

LLM活用した汎用AutoMLフレームワーク「NCode」発表

ユークスアン・フー (Yuxuan Hu) 氏らの研究チームは2026年11月9日(現地時間)、大規模言語モデル (LLM) を基盤とする汎用自動機械学習 (AutoML) フレームワークを提案した。このフレームワークは、モデルアーキテクチャ、訓練ハイパーパラメータ、データ比率といった多様な設定を、タスク固有のファインチューニングを不要とし、初めて共同で最適化する。研究チームは「NCode」と称する統一された数値エンコーディングスキームを導入し、最適化プロセスを統一的なランキングタスクとして再構築する。

リサーチ・論文

LLMによる論理推論課題、神経記号論的フレームワークが解決

Paulius Skaisgiris氏らは2026年11月2日(現地時間)、arXiv上で公開した研究論文において、自然言語で与えられた論理パズルを解決する「神経記号論的フレームワーク」を発表した。大規模言語モデル (LLM) のセマンティック解析能力と、Exact Cover(正確被覆)のような記号論的推論システムの決定性および信頼性を組み合わせることで、従来の純粋なニューラルネットワークベースの手法や既存の神経記号論的方法を上回る性能を示した。

リサーチ・論文

CoT推論過程の評価に一石、読みやすさだけでは不十分と指摘

arXiv cs.CLは2026年9月3日(現地時間)、論文「Legibility is Not Interpretability: Comparing Judged and Actual Importance in Chain-Of-Thought Reasoning」を公開した。この研究は、Chain-of-Thought (CoT) モデルの推論過程における「読みやすさ」(legibility)が、必ずしもその「解釈可能性」(interpretability)を保証しない可能性を示唆している。大規模言語モデル (LLM) を用いたCoT推論ステップの評価において、テキスト情報からステップの実際の重要性を判断することには限界があると指摘しており、既存の評価手法に再考を促す内容となっている。