論文の概要: SymbolLKG: Towards Verifiable Logical Reasoning via Logical Knowledge Graph and Symbolic Solvers

• arxiv url: http://arxiv.org/abs/2608.26836v1
• Date: Thu, 27 Aug 2026 09:06:52 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-28 16:30:58.32186
• Title: SymbolLKG: Towards Verifiable Logical Reasoning via Logical Knowledge Graph and Symbolic Solvers
• Title（参考訳）: SymbolLKG: 論理知識グラフと記号解による検証可能な論理推論を目指して
• Abstract要約: 大規模言語モデル(LLM)は、自然言語理解において顕著な熟練性を示しているが、厳密な多段階推論に苦慮している。 既存のChain-of-Thought(CoT)のようなソリューションは厳密な検証メカニズムを欠いているが、標準的なRetrieval-Augmented Generation(RAG)は論理的タスクに固有の複雑な構造的依存関係を欠いていることが多い。 論理知識グラフ(LKG)と動的ソルバルーティングを統合したニューロ・シンボリックアーキテクチャを提案する。
• 参考スコア（独自算出の注目度）: 20.356252444311195
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Large Language Models (LLMs) have demonstrated remarkable proficiency in natural language understanding, yet they struggle with strict multi-step reasoning, frequently suffering from hallucinations and inconsistency. Existing solutions like Chain-of-Thought (CoT) lack rigorous verification mechanisms, while standard Retrieval-Augmented Generation (RAG) often misses the complex, structural dependencies inherent in logical tasks. To bridge this gap, we propose a Neuro-Symbolic architecture that integrates a Logical Knowledge Graph (LKG) with dynamic solver routing. Specifically, we introduce an ontology-based LKG that treats logical rules and constraints as first-class topological nodes, enabling explicit modeling of dependencies extracted from text. We further design a Logic Router to dynamically dispatch tasks to the optimal symbolic engine, which is supported by a topology-aware hybrid retrieval mechanism. Experimental results on logical reasoning benchmarks demonstrate that our framework significantly outperforms state-of-the-art prompting and RAG baselines, delivering higher accuracy and verifiable reasoning paths.
• Abstract（参考訳）: 大規模言語モデル(LLM)は、自然言語理解において顕著な能力を示してきたが、しばしば幻覚や矛盾に悩まされる厳密な多段階推論に苦慮している。 既存のChain-of-Thought(CoT)のようなソリューションは厳密な検証メカニズムを欠いているが、標準的なRetrieval-Augmented Generation(RAG)は論理的タスクに固有の複雑な構造的依存関係を欠いていることが多い。 このギャップを埋めるために,論理知識グラフ(LKG)と動的ソルバルーティングを統合するニューロ・シンボリックアーキテクチャを提案する。 具体的には、論理規則と制約を一級位相ノードとして扱うオントロジーに基づくLKGを導入し、テキストから抽出した依存関係の明示的なモデリングを可能にする。 さらに、トポロジを意識したハイブリッド検索機構によってサポートされている最適なシンボルエンジンにタスクを動的にディスパッチするロジックルータを設計する。 論理的推論ベンチマーク実験の結果、我々のフレームワークは最先端のプロンプトとRAGベースラインを著しく上回り、高い精度と検証可能な推論パスを提供することが示された。

関連論文リスト

• Beyond the Answer: Decoding the Behavior of LLMs as Scientific Reasoners [3.831016688248884]
  大規模言語モデル(LLM)は、複雑な推論タスクにおいて、ますます高度なパフォーマンスを達成する。 創発的推論の特徴付けは、長期的な解釈可能性と安全性に不可欠である。 我々は、科学的推論タスクのプロンプトを体系的に最適化するために、GEPAのカスタム版を使用する。
  論文  参考訳（メタデータ） (2026-03-30T05:01:07Z)
• 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)
• LAG: Logic-Augmented Generation from a Cartesian Perspective [7.2022636966543745]
  本稿では,体系的な問題分解と依存性を考慮した推論を通じて知識強化を再構築する新しいパラダイムである論理拡張生成(LAG)を紹介する。 4つのベンチマークデータセットの実験では、LAGは推論の堅牢性を大幅に向上し、幻覚を減少させ、LLM問題の解決を人間の認知と整合させることが示されている。
  論文  参考訳（メタデータ） (2025-08-07T15:42:00Z)
• Do LLMs Dream of Discrete Algorithms? [0.7646713951724011]
  大規模言語モデル(LLM)は、人工知能の風景を急速に変化させてきた。 確率的推論への依存は、厳密な論理的推論を必要とする領域における有効性を制限する。 本稿では,論理ベースの推論モジュールでLLMを増強するニューロシンボリックアプローチを提案する。
  論文  参考訳（メタデータ） (2025-06-29T22:03:01Z)
• Improving Complex Reasoning over Knowledge Graph with Logic-Aware Curriculum Tuning [89.89857766491475]
  カリキュラムベースの論理認識型チューニングフレームワークであるLACTを提案する。 具体的には、任意の一階論理クエリをバイナリツリー分解によって拡張する。 広く使われているデータセットに対する実験では、LATは高度な手法よりも大幅に改善(平均+5.5% MRRスコア)し、新しい最先端技術を実現している。
  論文  参考訳（メタデータ） (2024-05-02T18:12:08Z)
• LOGICSEG: Parsing Visual Semantics with Neural Logic Learning and Reasoning [73.98142349171552]
  LOGICSEGは、神経誘導学習と論理推論をリッチデータとシンボリック知識の両方に統合する、全体論的視覚意味論である。 ファジィ論理に基づく連続的な緩和の間、論理式はデータとニューラルな計算グラフに基礎を置いており、論理によるネットワークトレーニングを可能にする。 これらの設計によりLOGICSEGは、既存のセグメンテーションモデルに容易に統合できる汎用的でコンパクトなニューラル論理マシンとなる。
  論文  参考訳（メタデータ） (2023-09-24T05:43:19Z)
• 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)
• Logical blocks for fault-tolerant topological quantum computation [55.41644538483948]
  本稿では,プラットフォームに依存しない論理ゲート定義の必要性から,普遍的なフォールトトレラント論理の枠組みを提案する。 資源オーバーヘッドを改善するユニバーサル論理の新しいスキームについて検討する。 境界のない計算に好適な論理誤差率を動機として,新しい計算手法を提案する。
  論文  参考訳（メタデータ） (2021-12-22T19:00:03Z)

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。