論文の概要: Logic-Parametric Neuro-Symbolic NLI: Controlling Logical Formalisms for Verifiable LLM Reasoning

• arxiv url: http://arxiv.org/abs/2601.05705v1
• Date: Fri, 09 Jan 2026 10:47:30 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-12 17:41:49.947376
• Title: Logic-Parametric Neuro-Symbolic NLI: Controlling Logical Formalisms for Verifiable LLM Reasoning
• Title（参考訳）: 論理パラメトリックニューロシンボリックNLI:検証LDM推論のための論理形式制御
• Authors: Ali Farjami, Luca Redondi, Marco Valentino,
• Abstract要約: 本稿では,ニューロシンボリックな自然言語推論のための論理パラメトリックフレームワークを提案する。 古典的および非古典的形式主義を高階論理に組み込む。 論理内部戦略が一貫して性能を向上できることを示す。
• 参考スコア（独自算出の注目度）: 13.291627429657412
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Large language models (LLMs) and theorem provers (TPs) can be effectively combined for verifiable natural language inference (NLI). However, existing approaches rely on a fixed logical formalism, a feature that limits robustness and adaptability. We propose a logic-parametric framework for neuro-symbolic NLI that treats the underlying logic not as a static background, but as a controllable component. Using the LogiKEy methodology, we embed a range of classical and non-classical formalisms into higher-order logic (HOL), enabling a systematic comparison of inference quality, explanation refinement, and proof behavior. We focus on normative reasoning, where the choice of logic has significant implications. In particular, we compare logic-external approaches, where normative requirements are encoded via axioms, with logic-internal approaches, where normative patterns emerge from the logic's built-in structure. Extensive experiments demonstrate that logic-internal strategies can consistently improve performance and produce more efficient hybrid proofs for NLI. In addition, we show that the effectiveness of a logic is domain-dependent, with first-order logic favouring commonsense reasoning, while deontic and modal logics excel in ethical domains. Our results highlight the value of making logic a first-class, parametric element in neuro-symbolic architectures for more robust, modular, and adaptable reasoning.
• Abstract（参考訳）: 大規模言語モデル(LLM)と定理プロバー(TP)は、検証可能な自然言語推論(NLI)に効果的に組み合わせることができる。 しかし、既存のアプローチは、堅牢性と適応性を制限する、固定された論理形式に依存している。 静的な背景ではなく,制御可能なコンポーネントとして,基礎となる論理を扱うニューロシンボリックNLIのための論理パラメトリックフレームワークを提案する。 LogiKEy法を用いて、古典的および非古典的形式主義を高階論理(HOL)に組み込み、推論品質、説明洗練、証明行動の体系的な比較を可能にする。 我々は、論理の選択が重要な意味を持つ規範的推論に焦点を当てる。 特に、規範的要求が公理によって符号化される論理外的アプローチと、論理内的アプローチとを比較し、論理の組込み構造から規範的パターンが出現する。 大規模な実験により、論理内部戦略は一貫して性能を向上し、NLIのより効率的なハイブリッド証明を作成できることが示された。 さらに、論理の有効性はドメインに依存しており、一階述語論理はコモンセンス推論を好んでおり、デオン論理やモーダル論理は倫理的領域で優れていることを示す。 我々の結果は、論理をより堅牢でモジュール的で適応可能な推論のために、ニューロシンボリックアーキテクチャにおいて第一級でパラメトリックな要素にすることの価値を強調した。

関連論文リスト

• Logical Phase Transitions: Understanding Collapse in LLM Logical Reasoning [17.5066777599458]
  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。
  論文  参考訳（メタデータ） (2026-01-06T10:38:25Z)
• DivLogicEval: A Framework for Benchmarking Logical Reasoning Evaluation in Large Language Models [58.439517684779936]
  本稿では,多種多様な文からなる自然文からなる古典論理ベンチマークDivLogicEvalを提案する。 また,より信頼性の高い評価を実現するために,大規模言語モデルに固有のバイアスやランダム性の影響を緩和する新たな評価指標を導入する。
  論文  参考訳（メタデータ） (2025-09-19T04:40:46Z)
• Categorical Construction of Logically Verifiable Neural Architectures [0.0]
  ニューラルネットワークはパターン認識に優れるが、信頼できる論理的推論に苦しむ。 我々は、証明可能な論理的保証を持つニューラルネットワークを体系的に構築する分類的枠組みを開発する。 このフレームワークは信頼できるAIシステムのための数学的基盤を提供し、定理証明、形式的検証、そして検証可能な論理的振る舞いを必要とする安全クリティカルな推論タスクへの応用を提供する。
  論文  参考訳（メタデータ） (2025-08-02T04:30:05Z)
• 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)
• 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)
• Neuro-Symbolic Inductive Logic Programming with Logical Neural Networks [65.23508422635862]
  我々は最近提案された論理ニューラルネットワーク(LNN)を用いた学習規則を提案する。 他のものと比較して、LNNは古典的なブール論理と強く結びついている。 標準ベンチマークタスクの実験では、LNNルールが極めて解釈可能であることを確認した。
  論文  参考訳（メタデータ） (2021-12-06T19:38:30Z)
• Logical Neural Networks [51.46602187496816]
  ニューラルネットワーク(学習)と記号論理(知識と推論)の両方の重要な特性をシームレスに提供する新しいフレームワークを提案する。 すべてのニューロンは、重み付けされた実数値論理における公式の構成要素としての意味を持ち、非常に解釈不能な非絡み合い表現をもたらす。 推論は事前に定義されたターゲット変数ではなく、オムニであり、論理的推論に対応する。
  論文  参考訳（メタデータ） (2020-06-23T16:55:45Z)

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。