論文の概要: Explaining Textual Entailment with Lexical Entailments: Using LLMs to Supply Lexical Relations for Formal Proofs

• arxiv url: http://arxiv.org/abs/2609.32491v1
• Date: Sat, 26 Sep 2026 11:34:58 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-07 08:34:24.429346
• Title: Explaining Textual Entailment with Lexical Entailments: Using LLMs to Supply Lexical Relations for Formal Proofs
• Title（参考訳）: レキシカル・エンテーメントによるテクスチャ・エンテーメントの説明--LLMを用いた形式的証明のためのレキシカル・リレーション
• Abstract要約: 我々は、自然言語推論問題を解決するのに必要なすべての語彙知識をLarge Language Modelsが特定できるかどうかを評価する。 本研究は,NLI問題に対する包含ラベルを用いた構造的説明の代用として,構造的語彙包含に焦点をあてる。 このデータセットは、構造化語彙的説明を生成する上で、LLMを本質的に評価するために使用される。
• 参考スコア（独自算出の注目度）: 0.030332210076508312
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Large Language Models (LLMs) are highly capable of natural language reasoning and appear to store a great deal of lexical knowledge, but it is still unclear how much of this knowledge they actually use when reasoning, and whether they use it in the right way. On the other hand, logic-based Natural Language Inference (NLI) systems provide transparent and formally grounded reasoning, but they need to be supplied with rich lexical knowledge to prove inferences beyond purely logical ones. In this paper, we evaluate whether LLMs can identify all lexical knowledge needed to solve NLI problems and how much this knowledge contributes to proof search in a logic-based NLI system. Our research focuses exclusively on structured lexical entailments (e.g., chinchilla$\sqsubseteq$small animal) as a proxy for structured explanations for NLI problems with an entailment label. First, we curate a dataset for a new task of explaining sentential entailments with a set of lexical entailments. The dataset is used to intrinsically evaluate LLMs on generating structured lexical explanations. Then, we use NLI as an extrinsic evaluation in a simple neuro-symbolic setting, assessing whether LLMs can supply sufficient lexical relations to LangPro, a natural-logic theorem prover for natural language. The results show that the proposed task remains challenging even for hosted proprietary LLMs, and that their contribution to theorem proving is moderate: generated relations are often only partially sound and may be tailored to the specific NLI problem rather than representing generally valid lexical knowledge.
• Abstract（参考訳）: 大規模言語モデル(LLM)は、自然言語の推論能力が高く、多くの語彙的知識を格納しているように見えるが、推論時に実際にどの程度の知識を使っているのか、正しい方法で使用しているのかは、いまだ不明である。 一方、論理ベースの自然言語推論(NLI)システムは、透過的で形式的な推論を提供するが、純粋に論理的な推論以上の推論を証明するには、リッチな語彙知識を供給する必要がある。 本稿では,LLMがNLI問題を解決するために必要なすべての語彙知識を識別できるかどうか,また,この知識が論理ベースのNLIシステムにおける証明探索にどの程度貢献するかを評価する。 本研究は,NLI問題に対する構造的説明の代名詞として,構造的語彙包摂(例:chinchilla$\sqsubseteq$small animal)にのみ焦点をあてる。 まず、一連の語彙的含意で意味的含意を説明するための新しいタスクのためのデータセットをキュレートする。 このデータセットは、構造化語彙的説明を生成する上で、LLMを本質的に評価するために使用される。 そこで我々は,NLIを,自然言語の自然論理的定理証明であるLangProに対して,LLMが十分な語彙的関係を付与できるかどうかを,単純な神経-記号的条件下での外在的評価として利用する。 その結果、提案された課題は、ホストされたプロプライエタリなLLMでさえも困難なままであり、それらの定理証明への貢献は適度である: 生成された関係はしばしば部分的にのみ健全であり、一般的に有効な語彙知識を表すのではなく、特定のNLI問題に合わせることができる。

関連論文リスト

• 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)
• LLM-Augmented Symbolic NLU System for More Reliable Continuous Causal Statement Interpretation [5.579029325265822]
  本稿では,LLMの広包言語処理と,構造化された関係表現を生成するシンボリックなNLU機能を統合するハイブリッドアプローチについて検討する。 我々のハイブリッド方式は,シンボルのみのパイプラインよりもはるかに優れていることが示唆された。
  論文  参考訳（メタデータ） (2025-10-22T19:38:20Z)
• Sound and Complete Neurosymbolic Reasoning with LLM-Grounded Interpretations [7.81820080453498]
  大規模言語モデル(LLM)は、自然言語の理解と生成において印象的な能力を示している。 パラ一貫性論理に対する形式的意味論の解釈関数に LLM を直接統合する手法を提案する。
  論文  参考訳（メタデータ） (2025-07-13T19:05:43Z)
• Do LLMs Really Adapt to Domains? An Ontology Learning Perspective [2.0755366440393743]
  大規模言語モデル(LLM)は、様々なアプリケーション領域において、様々な自然言語処理タスクに対して前例のない進歩を見せている。 近年の研究では、LLMが知識ベースコンプリート(KBC)やオントロジー学習(OL)などの語彙意味タスクに活用できることが示されている。 LLMは本当にドメインに適応し、構造化知識の抽出に一貫性を持ち続けるのか、それとも推論の代わりに語彙感覚のみを学ぶのか?
  論文  参考訳（メタデータ） (2024-07-29T13:29:43Z)
• 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)
• FaithLM: Towards Faithful Explanations for Large Language Models [60.45183469474916]
  大規模言語モデルの忠実度を評価し改善するモデルに依存しないフレームワークであるFaithLMを紹介した。 FaithLMは一貫して忠実度を高め、強い自己説明ベースラインよりも人間の合理性に整合した説明を生成する。
  論文  参考訳（メタデータ） (2024-02-07T09:09:14Z)
• Enhancing Ethical Explanations of Large Language Models through Iterative Symbolic Refinement [5.108863224378874]
  本稿では,ハイブリッド・ニューロシンボリック・テクニックが倫理的説明の論理的妥当性とアライメントをいかに向上させるかを検討する。 本稿では,大規模言語モデルと外部の後方鎖型ソルバを統合した導出型フレームワーク Logic-Explainer を提案する。 経験的分析により、Logic-Explainerは、コンテキスト内学習法とChain-of-Thoughtを通じて生成された説明を改善することができることを示した。
  論文  参考訳（メタデータ） (2024-02-01T16:39:51Z)
• How Proficient Are Large Language Models in Formal Languages? An In-Depth Insight for Knowledge Base Question Answering [52.86931192259096]
  知識ベース質問回答(KBQA)は,知識ベースにおける事実に基づいた自然言語質問への回答を目的としている。 最近の研究は、論理形式生成のための大規模言語モデル(LLM)の機能を活用して性能を向上させる。
  論文  参考訳（メタデータ） (2024-01-11T09:27:50Z)
• ChatABL: Abductive Learning via Natural Language Interaction with ChatGPT [72.83383437501577]
  大規模言語モデル(LLM)は、最近数学的な能力において大きな可能性を証明している。 LLMは現在、認識、言語理解、推論能力のブリッジングに困難を抱えている。 本稿では, LLMを帰納学習フレームワークに統合する新しい手法を提案する。
  論文  参考訳（メタデータ） (2023-04-21T16:23:47Z)

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。