論文の概要: Understanding Syllogistic Reasoning in LLMs from Formal and Natural Language Perspectives

• arxiv url: http://arxiv.org/abs/2512.12620v1
• Date: Sun, 14 Dec 2025 09:50:10 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-16 17:54:56.348634
• Title: Understanding Syllogistic Reasoning in LLMs from Formal and Natural Language Perspectives
• Title（参考訳）: LLMにおけるソロジカル推論の形式的・自然言語的観点からの理解
• Authors: Aheli Poddar, Saptarshi Sahoo, Sujata Ghosh,
• Abstract要約: 論理的および自然言語的観点から, LLMにおけるシロメトリクス推論について検討する。 我々は、14の大規模言語モデルを用いて、シンボリック推論と自然言語理解の観点から、それらのシロジカル推論能力を調査する。
• 参考スコア（独自算出の注目度）: 0.5161531917413708
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: We study syllogistic reasoning in LLMs from the logical and natural language perspectives. In process, we explore fundamental reasoning capabilities of the LLMs and the direction this research is moving forward. To aid in our studies, we use 14 large language models and investigate their syllogistic reasoning capabilities in terms of symbolic inferences as well as natural language understanding. Even though this reasoning mechanism is not a uniform emergent property across LLMs, the perfect symbolic performances in certain models make us wonder whether LLMs are becoming more and more formal reasoning mechanisms, rather than making explicit the nuances of human reasoning.
• Abstract（参考訳）: 論理的および自然言語的観点から, LLMにおけるシロメトリクス推論について検討する。 その過程で,LLMの基本的推論能力と今後の研究の方向性について検討する。 そこで本研究では,14種類の大規模言語モデルを用いて,シンボル推論と自然言語理解の両面から,シロメトリクス推論能力について検討する。 この推論機構はLLM全体の均一な創発的特性ではないが、特定のモデルにおける完璧な記号的性能は、人間の推論のニュアンスを明確にするよりも、LLMがよりフォーマルな推論機構になりつつあるかどうかを疑問にさせる。

関連論文リスト

• Sound and Complete Neurosymbolic Reasoning with LLM-Grounded Interpretations [7.81820080453498]
  大規模言語モデル(LLM)は、自然言語の理解と生成において印象的な能力を示している。 パラ一貫性論理に対する形式的意味論の解釈関数に LLM を直接統合する手法を提案する。
  論文  参考訳（メタデータ） (2025-07-13T19:05:43Z)
• LogicBench: Towards Systematic Evaluation of Logical Reasoning Ability of Large Language Models [52.03659714625452]
  最近開発された大規模言語モデル (LLM) は、幅広い言語理解タスクにおいて非常によく機能することが示されている。 しかし、それらは自然言語に対して本当に「理性」があるのだろうか? この疑問は研究の注目を集めており、コモンセンス、数値、定性的など多くの推論技術が研究されている。
  論文  参考訳（メタデータ） (2024-04-23T21:08:49Z)
• Do Large Language Models Understand Logic or Just Mimick Context? [14.081178100662163]
  本稿では,2つの論理的推論データセット上での大規模言語モデル(LLM)の推論能力について検討する。 LLMは論理規則を真に理解していないことが判明した。むしろ、文脈内学習は、これらのモデルが正しい解に到達する可能性を高めている。
  論文  参考訳（メタデータ） (2024-02-19T12:12:35Z)
• How Proficient Are Large Language Models in Formal Languages? An In-Depth Insight for Knowledge Base Question Answering [52.86931192259096]
  知識ベース質問回答(KBQA)は,知識ベースにおける事実に基づいた自然言語質問への回答を目的としている。 最近の研究は、論理形式生成のための大規模言語モデル(LLM)の機能を活用して性能を向上させる。
  論文  参考訳（メタデータ） (2024-01-11T09:27:50Z)
• Towards LogiGLUE: A Brief Survey and A Benchmark for Analyzing Logical Reasoning Capabilities of Language Models [56.34029644009297]
  大規模言語モデル(LLM)は、形式的知識表現(KR)システムの様々な制限を克服する能力を示した。 LLMは誘導的推論において最も優れているが、誘導的推論では最も効果が低い。 モデルの性能を評価するため,シングルタスクトレーニング,マルチタスクトレーニング,および「チェーンオブ思考」知識蒸留細調整技術について検討した。
  論文  参考訳（メタデータ） (2023-10-02T01:00:50Z)
• Large Language Models are In-Context Semantic Reasoners rather than Symbolic Reasoners [75.85554779782048]
  大規模言語モデル(LLM)は、近年、自然言語と機械学習コミュニティを興奮させています。 多くの成功を収めたアプリケーションにもかかわらず、そのようなコンテキスト内機能の基盤となるメカニズムはまだ不明である。 本研究では,学習した言語トークンのテクストセマンティクスが推論過程において最も重い処理を行うと仮定する。
  論文  参考訳（メタデータ） (2023-05-24T07:33:34Z)

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。