論文の概要: Logical Phase Transitions: Understanding Collapse in LLM Logical Reasoning

• arxiv url: http://arxiv.org/abs/2601.02902v1
• Date: Tue, 06 Jan 2026 10:38:25 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-07 17:02:12.89464
• Title: Logical Phase Transitions: Understanding Collapse in LLM Logical Reasoning
• Title（参考訳）: 論理相転移:LLM論理推論における崩壊の理解
• Authors: Xinglang Zhang, Yunyao Zhang, ZeLiang Chen, Junqing Yu, Wei Yang, Zikai Song,
• Abstract要約: 記号的論理的推論は、大言語モデル(LLM)の批判的だが未発見の機能である 論理的推論性能は政権内では安定だが, 批判的論理的深度を超えて急激に崩壊することを示す。 本稿では,自然言語と論理記号を適応的にアライメントし,共有表現を確立する原理的フレームワークであるNeuro-Symbolic Curriculum Tuningを提案する。
• 参考スコア（独自算出の注目度）: 17.5066777599458
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Symbolic logical reasoning is a critical yet underexplored capability of large language models (LLMs), providing reliable and verifiable decision-making in high-stakes domains such as mathematical reasoning and legal judgment. In this study, we present a systematic analysis of logical reasoning under controlled increases in logical complexity, and reveal a previously unrecognized phenomenon, which we term Logical Phase Transitions: rather than degrading smoothly, logical reasoning performance remains stable within a regime but collapses abruptly beyond a critical logical depth, mirroring physical phase transitions such as water freezing beyond a critical temperature threshold. Building on this insight, we propose Neuro-Symbolic Curriculum Tuning, a principled framework that adaptively aligns natural language with logical symbols to establish a shared representation, and reshapes training dynamics around phase-transition boundaries to progressively strengthen reasoning at increasing logical depths. Experiments on five benchmarks show that our approach effectively mitigates logical reasoning collapse at high complexity, yielding average accuracy gains of +1.26 in naive prompting and +3.95 in CoT, while improving generalization to unseen logical compositions. Code and data are available at https://github.com/AI4SS/Logical-Phase-Transitions.
• Abstract（参考訳）: 記号的論理的推論は、大きな言語モデル(LLM)の批判的かつ未解明の能力であり、数学的推論や法的判断のような高い領域における信頼性と検証可能な意思決定を提供する。 本研究では,制御された論理的複雑性の増加の下での論理的推論を体系的に解析し,論理的相転移(logical phase transitions)と呼ばれる以前に認識されていなかった現象を明らかにする。 この知見に基づいて,自然言語と論理記号を適応的にアライメントして共有表現を確立する原理的枠組みであるNeuro-Symbolic Curriculum Tuningを提案する。 5つのベンチマーク実験により,提案手法は論理的推論の崩壊を効果的に軽減し,平均精度が+1.26,CoTで+3.95となり,論理的合成の一般化が向上した。 コードとデータはhttps://github.com/AI4SS/Logical-Phase-Transitionsで公開されている。

関連論文リスト

• Training LLMs with LogicReward for Faithful and Rigorous Reasoning [75.30425553246177]
  定理証明器を用いてステップレベルの論理的正しさを強制することでモデルトレーニングを指導する報酬システムであるLogicRewardを提案する。 LogicRewardで構築されたデータに基づいてトレーニングされた8Bモデルは、GPT-4oとo4-miniを11.6%、自然言語推論と論理的推論タスクで2%超えた。
  論文  参考訳（メタデータ） (2025-12-20T03:43:02Z)
• From Hypothesis to Premises: LLM-based Backward Logical Reasoning with Selective Symbolic Translation [8.104087344683604]
  仮説駆動型後方論理推論(HBLR)を提案する。 中心となる考え方は、信頼を意識したシンボリック翻訳と仮説駆動の後方推論を統合することである。 HBLRは、精度と効率の両方において、強いベースラインを一貫して上回る。
  論文  参考訳（メタデータ） (2025-12-03T01:52:31Z)
• From Ambiguity to Verdict: A Semiotic-Grounded Multi-Perspective Agent for LLM Logical Reasoning [16.381034926435074]
  LogicAgentは、論理的な複雑さと意味的な複雑さを共同で扱うように設計された、セミオティックな2乗誘導フレームワークである。 既存のデータセットのセマンティックな単純さと論理的な複雑さを克服するために、大学レベルの難易度に達するベンチマークであるRepublicQAを導入する。 LogicAgentはRepublicQAで最先端のパフォーマンスを実現しており、強いベースラインよりも平均6.25%向上している。
  論文  参考訳（メタデータ） (2025-09-29T13:31:22Z)
• Logic Unseen: Revealing the Logical Blindspots of Vision-Language Models [58.456656119178064]
  VLM(Vision-Language Models)は、マルチモーダルインテリジェンスの基礎として登場した。 しかし、その論理的理解能力は依然として明らかに過小評価されている。 LogicBenchは9つの論理カテゴリと4つの多様なシナリオにまたがる5万以上の視覚言語ペアを備えたベンチマークである。 VLMの論理感度を高めるためのトレーニングフレームワークであるLogicCLIPを提案する。
  論文  参考訳（メタデータ） (2025-08-15T08:40:13Z)
• Logic Agent: Enhancing Validity with Logic Rule Invocation [24.815341366820753]
  Chain-of-Thoughtプロンプトは、推論タスク中に言語モデルの推論能力を増強するための重要なテクニックとして現れている。 本稿では,大規模言語モデルにおける推論プロセスの有効性向上を目的としたエージェントベースのフレームワークであるLogic Agent(LA)を紹介する。
  論文  参考訳（メタデータ） (2024-04-28T10:02:28Z)
• Logic-induced Diagnostic Reasoning for Semi-supervised Semantic Segmentation [85.12429517510311]
  LogicDiagは、セマンティックセグメンテーションのためのニューラルネットワークによる半教師付き学習フレームワークである。 私たちの重要な洞察は、記号的知識によって識別される擬似ラベル内の衝突は、強いが一般的に無視される学習信号として機能する、ということです。 本稿では,論理規則の集合として意味論的概念の構造的抽象化を定式化するデータ・ハングリーセグメンテーションシナリオにおけるLogicDiagの実践的応用について紹介する。
  論文  参考訳（メタデータ） (2023-08-24T06:50:07Z)
• Modeling Hierarchical Reasoning Chains by Linking Discourse Units and Key Phrases for Reading Comprehension [80.99865844249106]
  本稿では,論理的推論の基盤として,対話レベルと単語レベルの両方の文脈を扱う総合グラフネットワーク(HGN)を提案する。 具体的には、ノードレベルの関係とタイプレベルの関係は、推論過程におけるブリッジと解釈できるが、階層的な相互作用機構によってモデル化される。
  論文  参考訳（メタデータ） (2023-06-21T07:34:27Z)
• Discourse-Aware Graph Networks for Textual Logical Reasoning [142.0097357999134]
  パッセージレベルの論理関係は命題単位間の係り合いまたは矛盾を表す(例、結論文) 論理的推論QAを解くための論理構造制約モデリングを提案し、談話対応グラフネットワーク(DAGN)を導入する。 ネットワークはまず、インラインの談話接続とジェネリック論理理論を利用した論理グラフを構築し、その後、エッジ推論機構を用いて論理関係を進化させ、グラフ機能を更新することで論理表現を学習する。
  論文  参考訳（メタデータ） (2022-07-04T14:38:49Z)

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。