論文の概要: Semiotic logical hexagon theory for LLM logical reasoning

• arxiv url: http://arxiv.org/abs/2607.21933v1
• Date: Fri, 24 Jul 2026 03:10:34 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-27 20:58:57.037892
• Title: Semiotic logical hexagon theory for LLM logical reasoning
• Title（参考訳）: LLM論理推論のためのセミオティック論理六角理論
• Abstract要約: 大規模言語モデル(LLM)における意味的組織が論理的推論に与える影響について検討する。 本稿では,自然言語文の意味を整理し,構造化された検証を通して論理的推論を導くフレームワークであるHexLogicAgentを提案する。 挑戦的な論理的推論ベンチマークの実験は、HexLogicAgentが複数のLLMにわたる推論信頼性を一貫して改善していることを示している。
• 参考スコア（独自算出の注目度）: 15.42414269675365
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Large language models (LLMs) have become powerful tools for language understanding and logical reasoning. However, they still make mistakes when a problem requires both understanding meaning and following logic. A key reason is that natural-language statements often carry implicit semantic relations before any formal reasoning begins. If these hidden meanings are not properly organized, the model may reach incorrect conclusions even when the subsequent reasoning process appears logically valid. Existing methods improve reasoning through decomposition, symbolic translation, external solvers, or self-verification, but pay comparatively less attention to the semantic structure on which reasoning depends. In this paper, we further investigate how semantic organization influences logical reasoning in LLMs. To this end, we propose HexLogicAgent, a framework that first organizes the meaning of natural-language statements and then guides logical reasoning through structured verification. In our investigation, we also make two observations. First, incomplete semantic representations, rather than deductive inference itself, are a major source of logical reasoning failures in LLMs. Second, explicitly modeling the complete structure of semantic opposition substantially delays the degradation of reasoning performance as logical complexity increases. Experiments on challenging logical reasoning benchmarks demonstrate that HexLogicAgent consistently improves reasoning reliability across multiple LLMs. The core idea is supported by a logical hexagon theory, which explains why a complete structure of opposing meanings is necessary for reliable reasoning.
• Abstract（参考訳）: 大規模言語モデル(LLM)は、言語理解と論理的推論のための強力なツールとなっている。 しかし、意味を理解することと論理に従うことの両方を必要とする場合、彼らはまだ間違いを犯します。 主要な理由は、いかなる形式的推論が始まる前に、自然言語文は暗黙的な意味関係を持つことが多いからである。 これらの隠された意味が適切に組織化されていない場合、後続の推論プロセスが論理的に妥当なように見える場合でも、モデルは誤った結論に達する可能性がある。 既存の方法は、分解、記号翻訳、外部解法、あるいは自己検証を通じて推論を改善するが、推論が依存する意味構造には比較的注意を払わない。 本稿では,LLMにおける意味的組織が論理的推論にどのように影響するかをさらに検討する。 この目的のために,HexLogicAgentを提案する。HexLogicAgentは自然言語文の意味を整理し,構造化された検証を通じて論理的推論を導くフレームワークである。 調査では2つの観察を行った。 第一に、帰納的推論そのものではなく、不完全な意味表現は、LLMにおける論理的推論失敗の主要な原因である。 第二に、意味論的対立の完全な構造を明示的にモデル化することは、論理的複雑性が増大するにつれて推論性能の劣化を著しく遅らせる。 挑戦的な論理的推論ベンチマークの実験は、HexLogicAgentが複数のLLMにわたる推論信頼性を一貫して改善していることを示している。 中心的な考えは論理六角形理論によって支持され、これはなぜ反対の意味の完全な構造が信頼できる推論のために必要かを説明する。

関連論文リスト

• SALA: Semantic-Aware Logical Alignment for Complex Reasoning in In-Context Learning [61.13104919370034]
  セマンティック・アウェア・論理アライメント・フレームワークであるSALAを提案する。 固定在庫に頼る代わりに、SALAはタスク固有の推論操作を自動的に学習する。 その後、これらの操作を連続的なセマンティック空間に埋め込み、動的時間ワープを使用して推論シーケンスを整列する。
  論文  参考訳（メタデータ） (2026-09-02T09:12:03Z)
• 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)
• Reasoning is about giving reasons [55.56111618153049]
  高い精度の3つの一般的な推論データセットにおいて、自然言語の引数の論理構造を同定し、抽出できることが示される。 我々のアプローチは、自然言語の引数の論理構造に依存するあらゆる推論形式をサポートする。
  論文  参考訳（メタデータ） (2025-08-20T07:26:53Z)
• Aristotle: Mastering Logical Reasoning with A Logic-Complete Decompose-Search-Resolve Framework [117.6508659085231]
  本稿では論理完全推論フレームワークであるAristotleについて,論理解法,論理解法,論理解法,論理解法の3つの主要なコンポーネントを提案する。 本フレームワークでは,記号表現と論理規則を総合的に推論プロセスに統合する。 いくつかのデータセットの実験結果は、Aristotleが最先端の推論フレームワークを精度と効率の両方で一貫して上回っていることを示している。
  論文  参考訳（メタデータ） (2024-12-22T10:14:09Z)
• Towards Logically Sound Natural Language Reasoning with Logic-Enhanced Language Model Agents [3.5083201638203154]
  Logic-Enhanced Language Model Agents (LELMA) は、大きな言語モデルと形式論理を統合するフレームワークである。 LeLMAは自動形式化を用いて推論を論理表現に変換し、論理的妥当性を評価する。 LeLMAはエラー検出の精度が高く,自己修正による推論精度の向上を実現している。
  論文  参考訳（メタデータ） (2024-08-28T18:25:35Z)
• Disentangling Logic: The Role of Context in Large Language Model Reasoning Capabilities [31.728976421529577]
  包括的なドメイン集合からの抽象的および文脈的論理的問題に対するコントラストについて検討する。 我々は、標準的な命題論理、特に命題推論と帰納論理推論に焦点を当てる。 本実験は,LLMの論理的推論と真の推論能力に関する知見を提供することを目的としている。
  論文  参考訳（メタデータ） (2024-06-04T21:25:06Z)
• 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)
• Neuro-Symbolic Integration Brings Causal and Reliable Reasoning Proofs [95.07757789781213]
  LLMの複雑な推論には2行のアプローチが採用されている。 1行の作業は様々な推論構造を持つLLMを誘導し、構造出力は自然に中間推論ステップと見なすことができる。 他方の行では、LCMのない宣言的解法を用いて推論処理を行い、推論精度は向上するが、解法のブラックボックスの性質により解釈性に欠ける。 具体的には,Prologインタプリタが生成した中間検索ログにアクセスし,人間可読推論に解釈可能であることを示す。
  論文  参考訳（メタデータ） (2023-11-16T11:26:21Z)
• Language Models can be Logical Solvers [99.40649402395725]
  論理解法の推論過程を直接エミュレートする新しい言語モデルであるLoGiPTを導入する。 LoGiPTは、導出的ソルバの見えない推論過程を明らかにして精錬することから導かれる、新しく構築された命令チューニングデータセットに基づいて微調整される。
  論文  参考訳（メタデータ） (2023-11-10T16:23:50Z)

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。