論文の概要: Neuro-Symbolic Artificial Intelligence: Towards Improving the Reasoning Abilities of Large Language Models

• arxiv url: http://arxiv.org/abs/2508.13678v1
• Date: Tue, 19 Aug 2025 09:27:46 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-20 15:36:31.878183
• Title: Neuro-Symbolic Artificial Intelligence: Towards Improving the Reasoning Abilities of Large Language Models
• Title（参考訳）: ニューロシンボリック人工知能 : 大規模言語モデルの推論能力向上に向けて
• Authors: Xiao-Wen Yang, Jie-Jing Shao, Lan-Zhe Guo, Bo-Wen Zhang, Zhi Zhou, Lin-Han Jia, Wang-Zhou Dai, Yu-Feng Li,
• Abstract要約: 大きな言語モデル(LLM)は様々なタスクで有望な結果を示しているが、その推論能力は依然として根本的な課題である。 本稿では,LLM推論の高度化に向けたニューロシンボリックアプローチの最近の展開を包括的にレビューする。
• 参考スコア（独自算出の注目度）: 49.52128963321304
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Large Language Models (LLMs) have shown promising results across various tasks, yet their reasoning capabilities remain a fundamental challenge. Developing AI systems with strong reasoning capabilities is regarded as a crucial milestone in the pursuit of Artificial General Intelligence (AGI) and has garnered considerable attention from both academia and industry. Various techniques have been explored to enhance the reasoning capabilities of LLMs, with neuro-symbolic approaches being a particularly promising way. This paper comprehensively reviews recent developments in neuro-symbolic approaches for enhancing LLM reasoning. We first present a formalization of reasoning tasks and give a brief introduction to the neurosymbolic learning paradigm. Then, we discuss neuro-symbolic methods for improving the reasoning capabilities of LLMs from three perspectives: Symbolic->LLM, LLM->Symbolic, and LLM+Symbolic. Finally, we discuss several key challenges and promising future directions. We have also released a GitHub repository including papers and resources related to this survey: https://github.com/LAMDASZ-ML/Awesome-LLM-Reasoning-with-NeSy.
• Abstract（参考訳）: 大きな言語モデル(LLM)は様々なタスクで有望な結果を示しているが、その推論能力は依然として根本的な課題である。 強力な推論能力を持つAIシステムの開発は、人工知能(AGI)の追求において重要なマイルストーンであり、学術と産業の両方からかなりの注目を集めている。 ニューロシンボリックアプローチは特に有望な方法であるとともに、LSMの推論能力を高めるために様々な技術が研究されている。 本稿では,LLM推論の高度化に向けたニューロシンボリックアプローチの最近の展開を包括的にレビューする。 まず、推論タスクの形式化を示し、ニューロシンボリック学習パラダイムについて簡単な紹介を行う。 次に, シンボリック・>LLM, LLM->Symbolic, LLM+Symbolicの3つの観点から, LLMの推論能力向上のための神経象徴的手法について議論した。 最後に、いくつかの重要な課題と将来的な方向性について論じる。 https://github.com/LAMDASZ-ML/Awesome-LLM-Reasoning-with-NeSy.com/Awesome-LLM-Reasoning-with-NeSy.co m という調査に関する資料やリソースを含むGitHubリポジトリもリリースしました。

関連論文リスト

• Converging Paradigms: The Synergy of Symbolic and Connectionist AI in LLM-Empowered Autonomous Agents [55.63497537202751]
  コネクショニストと象徴的人工知能(AI)の収束を探求する記事 従来、コネクショナリストAIはニューラルネットワークにフォーカスし、シンボリックAIはシンボリック表現とロジックを強調していた。 大型言語モデル(LLM)の最近の進歩は、人間の言語をシンボルとして扱う際のコネクショナリストアーキテクチャの可能性を強調している。
  論文  参考訳（メタデータ） (2024-07-11T14:00:53Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。