論文の概要: Learning Probabilistic Logic Programs with Functional Gradient Guided Language Models

• arxiv url: http://arxiv.org/abs/2610.12303v1
• Date: Thu, 08 Oct 2026 16:53:32 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-10 02:36:54.193502
• Title: Learning Probabilistic Logic Programs with Functional Gradient Guided Language Models
• Title（参考訳）: 関数型勾配案内型言語モデルを用いた確率論的論理プログラムの学習
• Abstract要約: 本稿では,リレーショナル構造学習を機能強化として活用するニューロシンボリック・フレームワークであるグラディエント・ボステッド・シンセサイザー(グラディエント・ボステッド・シンセサイザー・オブ・確率論的論理プログラム)を紹介する。 我々は,純粋に記号的,神経的,LLMベースのベースラインよりも把握性が向上し,解釈可能な重み付けルールアンサンブルが生成されることを示した。
• 参考スコア（独自算出の注目度）: 41.3370483716954
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Declarative logic programs offer a powerful and interpretable abstraction for encoding relational structure and neurosymbolic reasoning, by expressing dependencies as weighted compositional rules. However, inducing them from data remains fundamentally hard, bottlenecked by the combinatorial explosion of symbolic search spaces. LLMs have recently emerged as powerful hypothesis generators, but when used in isolation, they lack the capacity to do systematic inductive reasoning needed to reliably synthesize valid programs that fit complex relational distributions. We introduce grasp (Gradient-boosted Synthesis of Probabilistic logic programs), a neurosymbolic framework that casts relational structure learning as functional gradient boosting in which the weak learner is a first-order rule and the intractable inner search is delegated to an LLM proposal oracle. We evaluate grasp on four relational benchmarks spanning molecular toxicity prediction (Tox21), mutagenesis, and citation matching (Cora), and show that it improves over purely symbolic, neural, and LLM-based baselines, while producing interpretable weighted rule ensembles. By replacing combinatorial search with gradient-guided LLM hypothesis generation, grasp retains boosting guarantees without sacrificing the transparency of symbolic outputs.
• Abstract（参考訳）: 宣言論理プログラムは、依存関係を重み付けされた構成規則として表現することにより、関係構造とニューロシンボリック推論を符号化するための強力で解釈可能な抽象化を提供する。 しかし、これらをデータから誘導することは基本的には困難であり、シンボリック検索空間の組合せ的爆発によってボトルネックとなる。 LLMは、最近、強力な仮説生成器として登場したが、単独で使用すると、複雑な関係分布に適合する有効なプログラムを確実に合成するために必要な体系的帰納的推論を行う能力が欠如している。 本稿では,弱い学習者が一階の規則であり,難解な内部探索がLLM提案のオラクルに委譲される機能的勾配向上として,関係構造学習を推し進めるニューロシンボリック・フレームワークであるグリーグ(グラディエント・ボステッド・シンセシス・オブ・プロバビリスティック・ロジック・プログラム)を紹介する。 分子毒性予測 (Tox21), 変異原性, 引用マッチング (Cora) を対象とする4つの関係性ベンチマークを把握し, 解釈可能な重み付き規則アンサンブルを生成しながら, 純粋に記号的, 神経的, LDMベースのベースラインよりも改善したことを示す。 組合せ探索を勾配誘導LLM仮説生成に置き換えることで、グリップはシンボル出力の透明性を犠牲にすることなく、保証を高めることができる。

関連論文リスト

• Matrix as Plan: Structured Logical Reasoning with Feedback-Driven Replanning [9.431480849387595]
  Chain-of-Thoughtプロンプトは、Large Language Models(LLMs)の推論能力を高めることが示されている。 ニューロシンボリック法は、外部の解法を通して形式的正しさを強制することによって、このギャップに対処する。 行列ベースの計画を持つ構造化CoTフレームワークであるMatrixCoTを提案する。
  論文  参考訳（メタデータ） (2026-01-15T06:12:00Z)
• 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)
• InductionBench: LLMs Fail in the Simplest Complexity Class [53.70978746199222]
  大規模言語モデル(LLM)は推論において顕著に改善されている。 帰納的推論(inductive reasoning)は、観測されたデータから基礎となるルールを推測するものであり、まだ探索されていない。 本稿では, LLMの帰納的推論能力を評価するための新しいベンチマークであるインジェクションベンチを紹介する。
  論文  参考訳（メタデータ） (2025-02-20T03:48:00Z)
• 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)
• 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)
• Evaluating Step-by-Step Reasoning through Symbolic Verification [20.156768135017007]
  事前学習言語モデル(LM)は、文脈内学習において顕著な推論性能を示した。 LMLPは、より小さなモデルサイズであっても、長さの一般化ベンチマークにおいて、チェーン・オブ・ソート(CoT)よりも25%以上精度が高い。
  論文  参考訳（メタデータ） (2022-12-16T19:30:01Z)

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。