論文の概要: Logic-Guided Data Extraction with Answer Set Programming and Large Language Models

• arxiv url: http://arxiv.org/abs/2607.19365v1
• Date: Mon, 08 Jun 2026 15:53:28 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-27 00:46:13.134897
• Title: Logic-Guided Data Extraction with Answer Set Programming and Large Language Models
• Title（参考訳）: 解集合プログラミングと大規模言語モデルを用いた論理型データ抽出
• Abstract要約: 本稿では,Large Language Models(LLM)とAnswer Set Programming(ASP)を組み合わせた論理誘導型データ抽出フレームワークを提案する。 提案手法では、ASP推論を用いて、どの述語が論理的に許容されるかを特定し、抽出クエリをガイドする。 ASP由来のベンチマーク実験では、このフレームワークはLCMコールを削減し、スプリアス出力を緩和することで、抽出品質を向上させる。
• 参考スコア（独自算出の注目度）: 0.7874708385247353
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: When Large Language Models (LLMs) are used for semantic data extraction from unstructured text, producing candidate relational facts from natural language, they may remain unreliable for tasks requiring complex combinatorial reasoning and global consistency. This paper proposes a logic-guided data extraction framework combining LLM-based extraction with Answer Set Programming (ASP). The LLM produces candidate facts, whereas ASP performs validation, inference, consistency checking, and control. Unlike existing pipelines that query the LLM independently for all target predicates, the proposed approach uses ASP reasoning to identify which predicates are logically admissible at each stage and to guide extraction queries. By interleaving LLM calls with ASP derivation, the framework infers logically implied facts without further extraction and detects inconsistencies early. We formalize the pipeline and prove that, under mild assumptions, it is equivalent to the baseline approach with respect to the final extracted facts, while requiring fewer LLM calls. We also introduce a caching mechanism for logic-based control queries, exploiting monotonicity of conjunctive queries over incrementally constructed fact sets to reduce solver invocations. Experiments on ASP-derived benchmarks show that the framework reduces LLM calls and improves extraction quality by mitigating spurious outputs, demonstrating the value of non-monotonic logic programming for controlled semantic extraction.
• Abstract（参考訳）: 大規模言語モデル(LLM)が非構造化テキストから意味的データ抽出に使用され、自然言語から候補関係事実を生成する場合、複雑な組合せ的推論とグローバル整合性を必要とするタスクに対して信頼性が保たれる。 本稿では, LLM に基づく抽出と Answer Set Programming (ASP) を組み合わせた論理誘導型データ抽出フレームワークを提案する。 LLMは候補事実を生成するが、ASPは検証、推論、一貫性チェック、制御を行う。 対象の述語を独立してLLMに問い合わせる既存のパイプラインとは異なり、提案手法ではASP推論を用いて、どの述語が論理的に許容されるかを特定し、抽出クエリをガイドする。 LLMコールをASP派生とインターリーブすることで、このフレームワークは論理的に示唆された事実をさらなる抽出なしに推論し、矛盾を早期に検出する。 パイプラインを形式化し、軽微な仮定の下では、最終的な抽出事実に対するベースラインアプローチと等価であり、LLM呼び出しが少ないことを証明します。 また、論理ベースの制御クエリのためのキャッシュ機構を導入し、インクリメンタルに構築されたファクトセット上の連結クエリの単調性を利用して、ソルバ呼び出しを減らす。 ASP由来のベンチマーク実験により、このフレームワークはLLMコールを削減し、スプリットな出力を緩和することで抽出品質を向上し、制御されたセマンティック抽出のための非単調論理プログラミングの価値を実証している。

関連論文リスト

• Logic-Regularized Verifier Elicits Reasoning from LLMs [63.65875399266337]
  論理規則で正規化された教師なしの検証器であるLOVERを提案する。 ローバーは、定理を二項潜在変数として扱い、内部の活性化を活用し、3つの論理的制約を課す。 ローバーは教師なしのベースラインを大幅に上回る。
  論文  参考訳（メタデータ） (2026-05-07T09:03:49Z)
• OrLog: Resolving Complex Queries with LLMs and Probabilistic Reasoning [51.58235452818926]
  そこで我々は,論理的推論から述語レベルの妥当性推定を分離するニューロシンボリック検索フレームワークOrLogを紹介する。 大規模言語モデル (LLM) は1つの復号のない前方通過において原子述語に対する可視性スコアを提供し、確率論的推論エンジンはクエリ満足度の後方確率を導出する。
  論文  参考訳（メタデータ） (2026-01-30T15:31:58Z)
• A Solver-in-the-Loop Framework for Improving LLMs on Answer Set Programming for Logic Puzzle Solving [14.391923692962754]
  大規模言語モデル(LLM)のソルバ誘導型命令チューニングのための新しいASP-solver-in-the-loopアプローチを提案する。 本手法は自然言語とその解法における問題仕様のみを必要とする。 教師付き微調整を応用して、計算データ上でのLSMのトレーニングを行い、さらにソルバ誘導探索を用いてロバスト性を向上させる。
  論文  参考訳（メタデータ） (2025-12-18T21:45:45Z)
• Last Layer Logits to Logic: Empowering LLMs with Logic-Consistent Structured Knowledge Reasoning [55.55968342644846]
  大規模言語モデル(LLM)は、膨大な非構造化テキストの事前学習を通じて、自然言語推論タスクにおいて優れた性能を達成する。 LLM出力の論理的欠陥を修正するために,ロジット強化とロジットフィルタリングをコアモジュールとして組み込んだ textitLogits-to-Logic フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-11-11T07:08:27Z)
• LLMSR@XLLM25: An Empirical Study of LLM for Structural Reasoning [6.700515856842664]
  We present Team asdfo123's submit to the LLMSR@XLLM25 shared task。 我々は、粒度、制御性、解釈可能な推論プロセスを生成する上で、大きな言語モデルを評価する。 提案手法は, マクロF1スコアを, より複雑で資源消費の少ないパイプラインと同等に達成し, 総合5位にランク付けする。
  論文  参考訳（メタデータ） (2025-05-18T09:46:30Z)
• An Empirical Study of Conformal Prediction in LLM with ASP Scaffolds for Robust Reasoning [52.29223403698673]
  本稿では, Answer Set Programming (ASP) とともに, Conformal Language Modelling (CLM) の使用について検討する。 LLM から ASP プログラムの集合を生成するために CLM を適用し,出力の正確性に関する統計的保証を提供する。 実験の結果,標準サンプリング手法を用いたベースラインモデルではCLMが有意に優れていた。
  論文  参考訳（メタデータ） (2025-03-07T14:10:10Z)
• $\ exttt{SEM-CTRL}$: Semantically Controlled Decoding [53.86639808659575]
  $texttSEM-CTRL$は、LLMデコーダに直接、リッチなコンテキスト依存制約とタスクおよびインスタンス固有のセマンティクスを強制する統一的なアプローチである。 texttSEM-CTRL$は、小さな訓練済みのLLMがより大きな変種や最先端の推論モデルよりも効率的に性能を向上することを可能にする。
  論文  参考訳（メタデータ） (2025-03-03T18:33:46Z)
• Logical Consistency of Large Language Models in Fact-checking [6.286017217366497]
  大規模言語モデル(LLM)は、様々な自然言語タスクを実行する上で大きな成功を収めている。 人間のようなテキストを生成する素晴らしい能力にもかかわらず、LLMは一貫性のない反応で悪名高い。
  論文  参考訳（メタデータ） (2024-12-20T17:42:25Z)
• RuAG: Learned-rule-augmented Generation for Large Language Models [62.64389390179651]
  本稿では,大量のオフラインデータを解釈可能な一階述語論理規則に自動抽出する新しいフレームワーク,RuAGを提案する。 我々は,自然言語処理,時系列,意思決定,産業タスクなど,公共および民間の産業タスクに関する枠組みを評価する。
  論文  参考訳（メタデータ） (2024-11-04T00:01:34Z)
• $\forall$uto$\exists$val: Autonomous Assessment of LLMs in Formal Synthesis and Interpretation Tasks [21.12437562185667]
  本稿では,形式構文を自然言語に翻訳する際のLLM評価のスケールアップ手法を提案する。 我々は、文脈自由文法(CFG)を用いて、その場で配布外のデータセットを生成する。 我々はまた、このパラダイムの実現可能性と拡張性を示すために、複数のSOTAクローズドおよびオープンソースLCMの評価を行う。
  論文  参考訳（メタデータ） (2024-03-27T08:08:00Z)

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。