論文の概要: LogicTrack: Auditing Reasoning Trajectories of Large Language Models with Formal Logic Solvers

• arxiv url: http://arxiv.org/abs/2609.21492v1
• Date: Fri, 18 Sep 2026 08:46:37 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-21 18:40:16.935334
• Title: LogicTrack: Auditing Reasoning Trajectories of Large Language Models with Formal Logic Solvers
• Title（参考訳）: LogicTrack: 形式論理解を用いた大規模言語モデルの推論軌道の監査
• Abstract要約: チェイン・オブ・ソート(CoT)推論は、大規模言語モデル(LLM)の性能を向上させることが示されている。 既存の最適化手法は結果に基づくフィードバックに大きく依存しており、中間推論ステップの論理的妥当性はほとんど検証されていない。 本稿では,各推論ステップを記号表現に自動変換することで推論軌道を監査する,ニューロシンボリックなフレームワークであるLogicTrackを提案する。
• 参考スコア（独自算出の注目度）: 9.50933766371419
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Chain-of-Thought (CoT) reasoning has been shown to improve the performance of large language models (LLMs), yet existing optimization methods largely rely on outcome-based feedback, leaving the logical validity of intermediate reasoning steps largely unverified. To address the gap whereby LLMs arrive at correct final answers through logically flawed intermediate reasoning chains, we propose LogicTrack, a neuro-symbolic framework that audits reasoning trajectories by auto-formalizing each reasoning step into symbolic representations and verifying it with automated theorem provers. LogicTrack introduces Solver-Based Backtracking Reward (SBR), a step-wise scoring mechanism that quantifies logical soundness and guides backtracking tree search at inference time. We further extend LogicTrack to construct supervised fine-tuning (SFT) data with backtracking traces from its trajectories, enabling fine-tuned models to internalize step-wise auditing as an intrinsic capability. Extensive experiments across 8 reasoning benchmarks and 7 LLMs demonstrate that LogicTrack effectively improves both the verifiability of reasoning chains and final answer pass rate, thereby enhancing overall CoT quality and trustworthiness in high-stakes domains.
• Abstract（参考訳）: CoT推論(Chain-of-Thought)は、大規模言語モデル(LLM)の性能を改善することが示されているが、既存の最適化手法は結果に基づくフィードバックに大きく依存しており、中間的推論ステップの論理的妥当性はほとんど検証されていない。 論理的に欠陥のある中間推論連鎖を通じてLLMが正しい最終解に到達するギャップを解決するために,各推論ステップを記号表現に自動形式化し,自動定理証明器で検証することにより,推論軌道を監査するニューロシンボリックなフレームワークであるLogicTrackを提案する。 LogicTrackはSolver-Based Backtracking Reward (SBR)を導入している。これは論理的な音質を定量化し、推論時の木探索をガイドするステップワイズスコアリングメカニズムである。 さらにLogicTrackを拡張して、トラジェクトリからのバックトラッキングトレースを備えた教師付き微調整(SFT)データを構築することにより、ステップワイズ監査を本質的な能力として内部化することができる。 8つの推論ベンチマークと7つのLCMの広範な実験により、LogicTrackは推論チェーンの妥当性と最終応答パス率の両方を効果的に改善し、高い領域におけるCoTの品質と信頼性を向上することを示した。

関連論文リスト

• Where Reasoning Breaks: Logic-Aware Path Selection by Controlling Logical Connectives in LLMs Reasoning Chains [7.740591992262573]
  我々は、この構造的脆弱性の主要なポイントとして、論理的結合体を同定する。 推論過程におけるこれらの論理クリティカルな接合に特異的に介入するフレームワークを提案する。
  論文  参考訳（メタデータ） (2026-04-22T13:45:27Z)
• Pushing the Boundaries of Natural Reasoning: Interleaved Bonus from Formal-Logic Verification [49.506412445511934]
  大きな言語モデル(LLM)は目覚ましい能力を示すが、その次は論理的不整合と報奨ハックを生み出す。 本稿では,自然言語生成プロセスと形式的記号的検証を動的にインターリーブする形式論理検証誘導フレームワークを提案する。 我々はこのフレームワークを,形式論理検証誘導制御による微調整とポリシー最適化の相乗効果を生かした,新しい2段階のトレーニングパイプラインを通じて運用する。
  論文  参考訳（メタデータ） (2026-01-30T07:01:25Z)
• Training LLMs with LogicReward for Faithful and Rigorous Reasoning [75.30425553246177]
  定理証明器を用いてステップレベルの論理的正しさを強制することでモデルトレーニングを指導する報酬システムであるLogicRewardを提案する。 LogicRewardで構築されたデータに基づいてトレーニングされた8Bモデルは、GPT-4oとo4-miniを11.6%、自然言語推論と論理的推論タスクで2%超えた。
  論文  参考訳（メタデータ） (2025-12-20T03:43:02Z)
• Reversal of Thought: Enhancing Large Language Models with Preference-Guided Reverse Reasoning Warm-up [9.42385235462794]
  大規模言語モデル(LLM)は、推論タスクにおいて顕著な性能を示すが、数学的および複雑な論理的推論において制限に直面している。 バッチ推論前のウォームアップフェーズにおいて,LLMの論理的推論能力を高めるために,Reversal of Thought (RoT)を提案する。 RoT は Preference-Guided Reverse Reasoning warm-up 戦略を利用している。
  論文  参考訳（メタデータ） (2024-10-16T07:44:28Z)
• Logic-of-Thought: Injecting Logic into Contexts for Full Reasoning in Large Language Models [9.689096888732642]
  本稿では,論理的情報記述を拡張的に生成するために,命題論理を用いた論理解(LoT)プロンプトを提案する。 LoTは5つの論理的推論タスクで顕著なマージンで、様々なプロンプトメソッドのパフォーマンスを向上する。
  論文  参考訳（メタデータ） (2024-09-26T04:59:45Z)
• Exploring Self-supervised Logic-enhanced Training for Large Language Models [59.227222647741094]
  本稿では,自己指導型ポストトレーニングによる論理的知識の活用の可能性について検討する。 我々はMERItの自己回帰的目的変数を考案し、パラメータサイズが30億から13億の2つのLLM系列、すなわちFLAN-T5とLLaMAと統合する。 2つの挑戦的な論理的推論ベンチマークの結果は、LogicLLMの有効性を示している。
  論文  参考訳（メタデータ） (2023-05-23T06:13:10Z)

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。