論文の概要: Bridging Natural Language and ASP: A Hybrid Approach Using LLMs and AMR Parsing

• arxiv url: http://arxiv.org/abs/2511.08715v1
• Date: Thu, 13 Nov 2025 01:03:33 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-13 22:34:54.206499
• Title: Bridging Natural Language and ASP: A Hybrid Approach Using LLMs and AMR Parsing
• Title（参考訳）: 自然言語とASP: LLMとAMRパーシングを用いたハイブリッドアプローチ
• Authors: Connar Hite, Sean Saud, Raef Taha, Nayim Rahman, Tanvir Atahary, Scott Douglass, Tarek Taha,
• Abstract要約: 本稿では,制約のない英語を論理パズルのASPプログラムに翻訳する新しい手法を提案する。 ASPのルール、事実、制約などはすべて生成され、望まれる問題を完全に表現し解決します。
• 参考スコア（独自算出の注目度）: 0.14658400971135646
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Answer Set Programming (ASP) is a declarative programming paradigm based on logic programming and non-monotonic reasoning. It is a tremendously powerful tool for describing and solving combinatorial problems. Like any other language, ASP requires users to learn how it works and the syntax involved. It is becoming increasingly required for those unfamiliar with programming languages to interact with code. This paper proposes a novel method of translating unconstrained English into ASP programs for logic puzzles using an LLM and Abstract Meaning Representation (AMR) graphs. Everything from ASP rules, facts, and constraints is generated to fully represent and solve the desired problem. Example logic puzzles are used to demonstrate the capabilities of the system. While most current methods rely entirely on an LLM, our system minimizes the role of the LLM only to complete straightforward tasks. The LLM is used to simplify natural language sentences, identify keywords, and generate simple facts. The AMR graphs are then parsed from simplified language and used to generate ASP constraints systematically. The system successfully creates an entire ASP program that solves a combinatorial logic problem. This approach is a significant first step in creating a lighter-weight, explainable system that converts natural language to solve complex logic problems.
• Abstract（参考訳）: Answer Set Programming (ASP) は論理プログラミングと非単調推論に基づく宣言型プログラミングパラダイムである。 組合せ問題を記述し解決するための非常に強力なツールです。 他の言語と同様に、ASPはユーザーがその動作方法と関連する構文を知る必要がある。 プログラミング言語に精通していない人にとっては、コードと対話することがますます必要になってきています。 本稿では,LLMと抽象的意味表現(AMR)グラフを用いて,制約のない英語を論理パズルのASPプログラムに翻訳する方法を提案する。 ASPのルール、事実、制約などはすべて生成され、望まれる問題を完全に表現し解決します。 論理パズルはシステムの能力を示すために用いられる。 現在のほとんどの手法は LLM に依存しているが、我々のシステムは LLM の役割を最小限に抑え、簡単なタスクを完了させる。 LLMは自然言語の文を単純化し、キーワードを識別し、単純な事実を生成するために使われる。 AMRグラフは、単純化された言語から解析され、ASP制約を体系的に生成するために使用される。 このシステムは、組合せ論理問題を解くASPプログラム全体をうまく作成する。 このアプローチは、自然言語を複雑な論理問題に変換する軽量で説明可能なシステムを構築するための重要な第一歩である。

関連論文リスト

• Question Answering with LLMs and Learning from Answer Sets [42.556688510857335]
  大型言語モデル (LLM) は自然言語の理解に長けているが、明示的なコモンセンス推論に苦慮している。 LLM2LASは,LLMの自然言語理解能力,ILASPからの学習のルール誘導力,および解答集合プログラミング(ASP)の形式的推論強みを効果的に組み合わせたハイブリッドシステムである。 経験的な結果は、ストーリーベースの質問応答ベンチマークにおいて、学習と推論のための自動アプローチの長所と短所を概説する。
  論文  参考訳（メタデータ） (2025-09-20T09:26:44Z)
• Logic-of-Thought: Empowering Large Language Models with Logic Programs for Solving Puzzles in Natural Language [67.51318974970985]
  自然言語でパズルを解くことは、AIにおける長年の課題である。 本稿では,大規模言語モデルを論理プログラミングでブリッジするフレームワークであるLogic-of-Thoughtを提案する。 動作を含む様々なグリッドパズルや動的パズルについて評価し、全てのタスクにおいてほぼ完璧な精度を示す。
  論文  参考訳（メタデータ） (2025-05-22T01:37:40Z)
• When Do Program-of-Thoughts Work for Reasoning? [51.2699797837818]
  本稿では,コードと推論能力の相関性を測定するために,複雑性に富んだ推論スコア(CIRS)を提案する。 具体的には、抽象構文木を用いて構造情報をエンコードし、論理的複雑性を計算する。 コードはhttps://github.com/zjunlp/EasyInstructのEasyInstructフレームワークに統合される。
  論文  参考訳（メタデータ） (2023-08-29T17:22:39Z)
• Leveraging Large Language Models to Generate Answer Set Programs [5.532477732693001]
  大規模言語モデル(LLM)は、様々な自然言語処理タスクにおいて例外的な性能を示した。 本稿では,大規模言語モデルの強みと解集合プログラミングを組み合わせたニューロシンボリック手法を提案する。
  論文  参考訳（メタデータ） (2023-07-15T03:40:55Z)
• Coupling Large Language Models with Logic Programming for Robust and General Reasoning from Text [5.532477732693001]
  大規模言語モデルは, 意味論的に非常に効果的な数ショットとして機能することを示す。 自然言語文を論理形式に変換し、応答集合プログラムの入力として機能する。 本手法は,bAbI, StepGame, CLUTRR, gSCAN など,いくつかのベンチマークにおいて最先端性能を実現する。
  論文  参考訳（メタデータ） (2023-07-15T03:29:59Z)
• Parsel: Algorithmic Reasoning with Language Models by Composing Decompositions [31.134347038586544]
  Parselは、コードLLMによる複雑なアルゴリズムの自動実装と検証を可能にするフレームワークである。 Parselは、プログラム合成やロボット計画を含む階層的推論を必要とする領域にまたがって使用できることを示す。 ParselはHumanEvalの最先端パス@1のパフォーマンスを67%から85%に改善できる。
  論文  参考訳（メタデータ） (2022-12-20T18:59:23Z)

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。