연구진은 Chain-of-Thought 추론 과정 전체를 정확하게 학습하는 데 필요한 샘플 수를 분석했어요. 실현 가능한 PAC 환경에서 샘플 복잡도는 로컬 다음 토큰 클래스의 다니엘리-샤레브-샤워츠 차원(Daniely–Shalev-Shwartz dimension)에 의해 결정돼요. 연구 결과는 Chain-of-Thought 추론 학습의 효율성을 높이는 데 기여할 수 있으며, 특히 오류 수정 및 성능 개선에 중요한 시사점을 제공해요.