論文の概要: From Natural Language to Executable Narsese: A Neuro-Symbolic Benchmark and Pipeline for Reasoning with NARS
- arxiv url: http://arxiv.org/abs/2604.18873v1
- Date: Mon, 20 Apr 2026 21:53:11 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-04-22 22:41:49.514834
- Title: From Natural Language to Executable Narsese: A Neuro-Symbolic Benchmark and Pipeline for Reasoning with NARS
- Title（参考訳）: 自然言語から実行可能ナルセへ:NARSによる推論のためのニューロシンボリックベンチマークとパイプライン
- Authors: Mina Gabriel, Pei Wang,
- Abstract要約: 本稿では,自然言語推論問題を実行可能な形式表現に変換するための,ニューロシンボリックな枠組みを提案する。
本稿では,Narseseプログラムと組み合わせた自然言語推論問題のベンチマークであるNARS-Reasoning-v0.1を紹介する。
我々は,FOLから実行可能なNarseseへの決定論的コンパイルパイプラインを開発し,実行時実行による保持例の検証を行う。
- 参考スコア（独自算出の注目度）: 3.7290918391125083
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Large language models (LLMs) are highly capable at language generation, but they remain unreliable when reasoning requires explicit symbolic structure, multi-step inference, and interpretable uncertainty. This paper presents a neuro-symbolic framework for translating natural-language reasoning problems into executable formal representations using first-order logic (FOL) and Narsese, the language of the Non-Axiomatic Reasoning System (NARS). To support this direction, we introduce NARS-Reasoning-v0.1, a benchmark of natural-language reasoning problems paired with FOL forms, executable Narsese programs, and three gold labels: True, False, and Uncertain. We develop a deterministic compilation pipeline from FOL to executable Narsese and validate retained examples through runtime execution in OpenNARS for Applications (ONA), ensuring that the symbolic targets are not only syntactically well formed but also behaviorally aligned with the intended answer. We further present Language-Structured Perception (LSP), a formulation in which an LLM is trained to produce reasoning-relevant symbolic structure rather than only a final verbal response. As an initial proof of concept, we also train and release a Phi-2 LoRA adapter on NARS-Reasoning-v0.1 for three-label reasoning classification, showing that the benchmark can support supervised adaptation in addition to executable evaluation. Overall, the paper positions executable symbolic generation and execution-based validation as a practical path toward more reliable neuro-symbolic reasoning systems.
- Abstract（参考訳）: 大規模言語モデル(LLM)は言語生成能力が高いが、推論が明示的な記号構造、多段階推論、解釈可能な不確実性を必要とする場合、信頼できないままである。
本稿では,Non-Axiomatic Reasoning System(NARS)の言語である1次論理(FOL)とNarseseを用いて,自然言語推論問題を実行可能な形式表現に変換するための,ニューラルシンボリックな枠組みを提案する。
この方向性をサポートするために、FOL形式と組み合わせた自然言語推論問題のベンチマークであるNARS-Reasoning-v0.1、実行可能なNarseseプログラム、3つのゴールドラベルであるTrue、False、Uncertainを紹介する。
我々は、FOLから実行可能なNarseseへの決定論的コンパイルパイプラインを開発し、OpenNARS for Applications (ONA)のランタイム実行を通じて保持された例を検証する。
さらに,LSP (Language-Structured Perception) について述べる。LLMは最終的な言語応答だけではなく,推論関連シンボル構造を生成するために訓練される。
概念実証として、3ラベル推論分類のためのNARS-Reasoning-v0.1上でPhi-2 LoRAアダプタをトレーニング・リリースし、ベンチマークが教師付き適応と実行可能評価をサポートすることを示す。
全体として、より信頼性の高いニューロシンボリック推論システムへの実践的な経路として、実行可能なシンボル生成と実行ベースの検証を位置づけている。
関連論文リスト
- From Large Language Model Predicates to Logic Tensor Networks: Neurosymbolic Offer Validation in Regulated Procurement [0.0]
本稿では,シンボルとサブシンボリック・人工知能を組み合わせたニューロシンボリック・アプローチを提案し,規制された公共機関に文書を提供する。
言語モデルを用いて情報を抽出し,LTNを集約して聴覚的決定を行う。
実コーパスを用いた実験により,提案したパイプラインが既存モデルに匹敵する性能を実現することを示す。
論文 参考訳（メタデータ） (2026-04-07T07:38:16Z) - DriftScript: A Domain-Specific Language for Programming Non-Axiomatic Reasoning Agents [0.20305676256390928]
本稿では、NarseseにコンパイルするLispに似たドメイン固有言語であるDriftScriptを紹介する。
DriftScriptは、Non-Axiomatic Logic (NAL)レベル1から8で使用される主要な文と用語形式をカバーするソースレベル構造を提供する。
論文 参考訳（メタデータ） (2026-03-29T12:38:06Z) - NL2LOGIC: AST-Guided Translation of Natural Language into First-Order Logic with Large Language Models [5.211983629897431]
我々は一階述語論理翻訳フレームワークNL2LOGICを提案する。
LogicNLIの実験では、抽象ProofWriterベンチマークにより、NL2LOGICは99%の構文的精度を実現し、最先端のベースラインに対して最大30%のセマンティックな正確性向上を実現している。
NL2LOGICをLogic-LMに組み込むことでほぼ完全な実行性が得られ、Logic-LMのオリジナルの数発の制約のない翻訳モジュールと比較して下流の推論精度が31%向上する。
論文 参考訳（メタデータ） (2026-01-29T14:51:32Z) - Explainable Rule Application via Structured Prompting: A Neural-Symbolic Approach [0.0]
大規模言語モデル(LLM)は複雑な推論タスクでは優れているが、一貫性のあるルールアプリケーション、例外処理、説明可能性に苦慮している。
本稿では、推論を3つの検証可能なステップ(エンティティ識別、プロパティ抽出、シンボリックルール適用)に分解する構造化プロンプトフレームワークを提案する。
論文 参考訳（メタデータ） (2025-06-19T14:14:01Z) - FSLI: An Interpretable Formal Semantic System for One-Dimensional Ordering Inference [0.9048611509540079]
論理的推論の一次元順序付け問題を解くシステムを開発した。
自然言語の前提と候補文を一階述語論理に変換する。
BIGbenchの論理推論タスクでは100%の精度を実現し、AR-LSATの構文的に単純化されたサブセットでは88%の精度を実現している。
論文 参考訳（メタデータ） (2025-02-12T13:58:42Z) - Training Neural Networks as Recognizers of Formal Languages [87.06906286950438]
ニューラルネットワークを文字列のバイナリ分類器として直接訓練し評価する。
3つのニューラルアーキテクチャに対して、チョムスキー階層の様々な言語について結果を提供する。
我々の貢献は、将来の研究において、言語認識の主張を理論的に健全に検証するのに役立つだろう。
論文 参考訳（メタデータ） (2024-11-11T16:33:25Z) - LINC: A Neurosymbolic Approach for Logical Reasoning by Combining
Language Models with First-Order Logic Provers [60.009969929857704]
論理的推論は、科学、数学、社会に潜在的影響を与える可能性のある人工知能にとって重要なタスクである。
本研究では、LINCと呼ばれるモジュール型ニューロシンボリックプログラミングのようなタスクを再構成する。
我々は,FOLIOとProofWriterのバランスの取れたサブセットに対して,ほぼすべての実験条件下で,3つの異なるモデルに対して顕著な性能向上を観察した。
論文 参考訳（メタデータ） (2023-10-23T17:58:40Z) - Logical Natural Language Generation from Open-Domain Tables [107.04385677577862]
本稿では,その事実に関連付けられた自然言語文をモデルで生成するタスクを提案する。
提案した論理的 NLG 問題の研究を容易にするために,幅広い論理的・記号的推論を特徴とする既存の TabFact データセットcitechen 2019tabfact を用いる。
新しいタスクは、シーケンス順序と論理順序のミスマッチのため、既存のモノトニック生成フレームワークに課題をもたらす。
論文 参考訳（メタデータ） (2020-04-22T06:03:10Z)
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。