Buchumschlag

Out-of-Context Abduction: LLMs Make Inferences About Procedural Data Leveraging Declarative Facts in Earlier Training Data

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Imran, Sohaib, Lamb, Rob, Atkinson, Peter M.
Format:	Preprint
Veröffentlicht:	2025
Schlagworte:	Computation and Language Artificial Intelligence
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Are LLM Belief Updates Consistent with Bayes' Theorem?
von: Imran, Sohaib, et al.
Veröffentlicht: (2025)

Consistency Training while Mitigating Obfuscation via Rate Matching
von: Imran, Sohaib, et al.
Veröffentlicht: (2026)

Not All Needles Are Found: How Fact Distribution and Don't Make It Up Prompts Shape Literal Extraction, Logical Inference, and Hallucination Risks in Long-Context LLMs
von: Ebrahimzadeh, Amirali, et al.
Veröffentlicht: (2026)

Facts Do Care About Your Language: Assessing Answer Quality of Multilingual LLMs
von: Kansal, Yuval, et al.
Veröffentlicht: (2025)

Meta-Cognitive Analysis: Evaluating Declarative and Procedural Knowledge in Datasets and Large Language Models
von: Li, Zhuoqun, et al.
Veröffentlicht: (2024)

FactCG: Enhancing Fact Checkers with Graph-Based Multi-Hop Data
von: Lei, Deren, et al.
Veröffentlicht: (2025)

Leveraging LLMs for Synthesizing Training Data Across Many Languages in Multilingual Dense Retrieval
von: Thakur, Nandan, et al.
Veröffentlicht: (2023)

Evidence-backed Fact Checking using RAG and Few-Shot In-Context Learning with LLMs
von: Singhal, Ronit, et al.
Veröffentlicht: (2024)

Leveraging LLMs for Structured Data Extraction from Unstructured Patient Records
von: Klusty, Mitchell A., et al.
Veröffentlicht: (2025)

A Primer in Post-Training Reasoning Data: What We Know About How It Works
von: Li, Yaoming, et al.
Veröffentlicht: (2026)

FactGuard: Leveraging Multi-Agent Systems to Generate Answerable and Unanswerable Questions for Enhanced Long-Context LLM Extraction
von: Zhang, Qian-Wen, et al.
Veröffentlicht: (2025)

Toward Robust In-Context Learning: Leveraging Out-of-distribution Proxies for Target Inaccessible Demonstration Retrieval
von: Xu, Hao, et al.
Veröffentlicht: (2026)

Decoupled Reasoning with Implicit Fact Tokens (DRIFT): A Dual-Model Framework for Efficient Long-Context Inference
von: Xie, Wenxuan, et al.
Veröffentlicht: (2026)

LiteLong: Resource-Efficient Long-Context Data Synthesis for LLMs
von: Jia, Junlong, et al.
Veröffentlicht: (2025)

Leveraging Prompts in LLMs to Overcome Imbalances in Complex Educational Text Data
von: McClure, Jeanne, et al.
Veröffentlicht: (2024)

Semantic Integrity Constraints: Declarative Guardrails for AI-Augmented Data Processing Systems
von: Lee, Alexander W., et al.
Veröffentlicht: (2025)

Semantic Operators: A Declarative Model for Rich, AI-based Data Processing
von: Patel, Liana, et al.
Veröffentlicht: (2024)

Leveraging LLM Parametric Knowledge for Fact Checking without Retrieval
von: Vazhentsev, Artem, et al.
Veröffentlicht: (2026)

How to Train Data-Efficient LLMs
von: Sachdeva, Noveen, et al.
Veröffentlicht: (2024)

FASTTRACK: Fast and Accurate Fact Tracing for LLMs
von: Chen, Si, et al.
Veröffentlicht: (2024)

How LLMs Fail to Support Fact-Checking
von: Proma, Adiba Mahbub, et al.
Veröffentlicht: (2025)

Syntriever: How to Train Your Retriever with Synthetic Data from LLMs
von: Kim, Minsang, et al.
Veröffentlicht: (2025)

Retracing the Past: LLMs Emit Training Data When They Get Lost
von: Ko, Myeongseob, et al.
Veröffentlicht: (2025)

Synthesizing Post-Training Data for LLMs through Multi-Agent Simulation
von: Tang, Shuo, et al.
Veröffentlicht: (2024)

Curved Inference: Concern-Sensitive Geometry in Large Language Model Residual Streams
von: Manson, Rob
Veröffentlicht: (2025)

Leveraging LLMs for Bangla Grammar Error Correction:Error Categorization, Synthetic Data, and Model Evaluation
von: Bhattacharyya, Pramit, et al.
Veröffentlicht: (2024)

How Training Data Shapes the Use of Parametric and In-Context Knowledge in Language Models
von: Kim, Minsung, et al.
Veröffentlicht: (2025)

What Is The Political Content in LLMs' Pre- and Post-Training Data?
von: Ceron, Tanise, et al.
Veröffentlicht: (2025)

Can LLMs Automate Fact-Checking Article Writing?
von: Sahnan, Dhruv, et al.
Veröffentlicht: (2025)

Unveiling LLMs' Metaphorical Understanding: Exploring Conceptual Irrelevance, Context Leveraging and Syntactic Influence
von: Ye, Fengying, et al.
Veröffentlicht: (2025)

TeachLM: Post-Training LLMs for Education Using Authentic Learning Data
von: Perczel, Janos, et al.
Veröffentlicht: (2025)

Fabricator: An Open Source Toolkit for Generating Labeled Training Data with Teacher LLMs
von: Golde, Jonas, et al.
Veröffentlicht: (2023)

CORRECT: Context- and Reference-Augmented Reasoning and Prompting for Fact-Checking
von: Zhang, Delvin Ce, et al.
Veröffentlicht: (2025)

Speaking the Same Language: Leveraging LLMs in Standardizing Clinical Data for AI
von: Sett, Arindam, et al.
Veröffentlicht: (2024)

Modular Techniques for Synthetic Long-Context Data Generation in Language Model Training and Evaluation
von: Subramanian, Seganrasan, et al.
Veröffentlicht: (2025)

Does Training on Synthetic Data Make Models Less Robust?
von: Zhang, Lingze, et al.
Veröffentlicht: (2025)

Prompt Decorators: A Declarative and Composable Syntax for Reasoning, Formatting, and Control in LLMs
von: Heris, Mostapha Kalami
Veröffentlicht: (2025)

Towards Supporting Legal Argumentation with NLP: Is More Data Really All You Need?
von: Santosh, T. Y. S. S, et al.
Veröffentlicht: (2024)

Scaling Instruction-Tuned LLMs to Million-Token Contexts via Hierarchical Synthetic Data Generation
von: He, Linda, et al.
Veröffentlicht: (2025)

Believe It or Not: How Deeply do LLMs Believe Implanted Facts?
von: Slocum, Stewart, et al.
Veröffentlicht: (2025)