論文の概要: When Form Changes but Logic Doesn't: Building Logic-invariant LLMs through Logical Structure

• arxiv url: http://arxiv.org/abs/2610.25402v1
• Date: Sun, 18 Oct 2026 16:56:21 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-23 00:40:06.015476
• Title: When Form Changes but Logic Doesn't: Building Logic-invariant LLMs through Logical Structure
• Title（参考訳）: 形式は変わるが論理はしない:論理構造による論理不変 LLM の構築
• Abstract要約: 大規模言語モデル(LLM)のためのLoGIcal STructure-Guided reasoning (LoGIST)を提案する。 LoGISTは各入力インスタンスを、下層の論理構造を捉えた有向非巡回グラフである決定図にマッピングし、このグラフを論理埋め込みにエンコードする。 LoGISTは論理的同値性の下で不整合を低減し、一般化を未確認の論理形式に改善することを示す。
• 参考スコア（独自算出の注目度）: 16.335700614894762
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Large language models (LLMs) have achieved strong performance across diverse reasoning tasks, yet it remains unclear whether this performance reflects an understanding of underlying logical structure or a reliance on shallow semantic cues. A key indicator of such understanding is whether models treat logically equivalent inputs consistently, producing the same predictions despite differences in expression. Through systematic evaluation on curated data, we show that even strong LLMs often fail this test: they do not consistently preserve predictions across logically equivalent inputs and generalize poorly to unseen logical forms. To address this limitation, we propose LoGIcal STructure-guided reasoning (LoGIST), a framework that guides LLM reasoning with explicit logical structure. LoGIST maps each input instance to a decision diagram, a directed acyclic graph that captures the underlying logical structure, and encodes this graph into a logical embedding that conditions the LLM's reasoning process. Across multiple training settings, LoGIST reduces inconsistency under logical equivalence and improves generalization to unseen logical forms, suggesting that logical invariance is a useful target for building more robust and generalizable logical reasoning in LLMs.
• Abstract（参考訳）: 大規模言語モデル (LLM) は多種多様な推論タスクにおいて高い性能を達成しているが、この性能が根底にある論理構造に対する理解や浅いセマンティックキューへの依存を反映しているかどうかは不明だ。 このような理解の鍵となる指標は、モデルが論理的に等価な入力を一貫して扱い、表現の違いにもかかわらず同じ予測を生成するかどうかである。 計算されたデータに対する体系的な評価により、強いLLMでさえもこのテストに失敗することが多く、論理的に等価な入力の予測を一貫して保存せず、未知の論理形式に一般化する。 この制限に対処するために,LLM推論を明示的な論理構造で導くフレームワークであるLoGIcal STructure-Guided reasoning (LoGIST)を提案する。 LoGISTは各入力インスタンスを、下層の論理構造を捉える有向非巡回グラフである決定図にマッピングし、このグラフをLLMの推論過程を条件付ける論理埋め込みにエンコードする。 複数のトレーニング設定の中で、LoGISTは論理的等価性の下での不整合を減らし、一般化を目に見えない論理形式に改善し、論理的不変性はLLMにおいてより堅牢で一般化可能な論理的推論を構築するのに有用なターゲットであることを示唆している。

関連論文リスト

• Semiotic logical hexagon theory for LLM logical reasoning [15.42414269675365]
  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。
  論文  参考訳（メタデータ） (2026-07-24T03:10:34Z)
• 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)
• Order Doesn't Matter, But Reasoning Does: Training LLMs with Order-Centric Augmentation [57.570754504160305]
  本稿では,論理的推論における可換性に基づく順序中心のデータ拡張フレームワークを提案する。 秩序中心の拡張を利用することで、モデルはより柔軟で一般化された推論プロセスを開発することができる。
  論文  参考訳（メタデータ） (2025-02-27T09:25:50Z)
• 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)
• LogicAsker: Evaluating and Improving the Logical Reasoning Ability of Large Language Models [63.14196038655506]
  大規模言語モデル(LLM)の論理的推論能力を評価・拡張するための新しいアプローチであるLogicAskerを紹介する。 提案手法は, LLMが論理規則を学習する際の大きなギャップを明らかにし, 異なるモデル間で29%から90%の推論失敗を識別する。 GPT-4oのようなモデルにおける論理的推論を最大5%向上させることで、これらの知見を活用して、ターゲットとなる実演例と微調整データを構築した。
  論文  参考訳（メタデータ） (2024-01-01T13:53:53Z)
• 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)

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。