論文の概要: FOLLIE: Automated Reasoning over the First Dataset of Sentences with their First-Order Logical Representation for French
- arxiv url: http://arxiv.org/abs/2611.02129v1
- Date: Sun, 01 Nov 2026 19:03:15 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-11-04 23:36:30.52945
- Title: FOLLIE: Automated Reasoning over the First Dataset of Sentences with their First-Order Logical Representation for French
- Title（参考訳）: FOLLIE: フランス語における第1次論理表現による文の1次データセットの自動推論
- Abstract要約: FOLLIEは、フランス語文、合成一階述語表現、自動自然言語推論(NLI)を接続する
最初のフランスのNLI対応NL-to-FOLリソースは、19,983の推測記録と36,987の空でない文スロット-形式マッピングを含んでいる。
3方向の精度は335のFraCaS-FRで65.37%、300のGQNLI-FRで70.33%、9,399のSICK-FRで71.35%である。
- 参考スコア（独自算出の注目度）: 0.34376560669160394
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: FOLLIE (for First-Order Logic for Language Inference and Entailment for French) connects French sentences, compositional first-order representations and automated natural language inference (NLI). The first French NLI-ready, NL-to-FOL resource, it contains 19,983 inference records and 36,987 non-empty sentence-slot--formula mappings from six heterogeneous NLI sources, retaining French lexical material and source problem structure. Its silver annotations are produced by a neural--symbolic pipeline, with 111 separately identified LLM-assisted additions. The construction combines morphosyntactic analysis, probability-conditioned categorial multitagging, grammatical proof search, discourse representation and first-order semantic construction. Stage-wise experiments show substantial gains in derivation coverage; analyses of conjunction distributions, logical-operator incidence and scope alternation characterise the resulting resource. We then develop an automatic inference engine whose input-conditioned background theories address lexical relations, quantification, quantities, event structure and temporal dependencies. Prover9 supplies proofs for entailment and contradiction, while Mace4 supports bounded consistency checks. Three-way accuracies are 65.37% on all 335 FraCaS-FR problems, 70.33% on 300 GQNLI-FR problems and 71.35% on 9,399 eligible SICK-FR records pooled across splits. Agreement with reference labels among committed decisions is 93.53%, 100.00% and 98.66%, at commitment coverage of 41.49%, 37.00% and 15.05%, respectively. Worked constructions, axiom schemas and proof analyses explain these outcomes and identify the contributions of scope, reference, lexical knowledge and numerical structure. FOLLIE provides a French experimental basis for studying the representations and assumptions that connect sentence interpretation to deductive inference.
- Abstract（参考訳）: FOLLIE (First-Order Logic for Language Inference and Entailment for French) は、フランス語の文、合成一階述語、自動自然言語推論(NLI)を接続する。
フランスの最初のNLI-ready, NL-to-FOLリソースで、6つの異種NLI源からの19,983個の推論記録と36,987個の非空文-スロット-フォーミュラマッピングを含んでおり、フランスの語彙材料およびソース問題構造を維持している。その銀のアノテーションは、ニューラル-シンボリックパイプラインによって生成され、111個のLDMアシスト付加物が分離されている。
この構造は、形態素解析、確率条件付きカテゴリー多重タグ、文法的証明探索、談話表現、一階意味構成を組み合わせたものである。
段階的な実験では、導出のカバレッジが大幅に向上し、結合分布、論理演算の入射、スコープ変更が結果のリソースを特徴づける。
次に、入力条件付き背景理論が語彙関係、量子化、量、イベント構造、時間的依存を取り扱う自動推論エンジンを開発する。
Prover9は細部と矛盾の証明を提供するが、Mace4は境界付き一貫性チェックをサポートする。
3方向の精度は335のFraCaS-FRで65.37%、300のGQNLI-FRで70.33%、9,399のSICK-FRで71.35%である。
基準ラベルとの合意は93.53%、100.00%、98.66%で、それぞれ41.49%、37.00%、15.05%である。
作業的な構成、公理スキーマ、証明分析はこれらの結果を説明し、スコープ、参照、語彙知識、数値構造の貢献を識別する。
FOLLIEは、文解釈と帰納的推論を結びつける表現と仮定を研究するためのフランスの実験的基盤を提供する。
関連論文リスト
- DAPS: Dependency-Aware Premise Selection for LLM Theorem Proving [57.48166976575127]
リーン 4 で証明された LLM ベースの定理は急速に進歩しているが、プローバーは新しく提供された補題を活用するのは難しい。
既存のニューラルセレクタは、3つの固有の制限とともに、セマンティックな類似性によって候補をランク付けする。
DAPS、構造的近傍エンコーダ、グループレベルのコントラスト目的、Mathlib-then-Blueprint適応プロシージャを導入。
論文 参考訳（メタデータ） (2026-10-30T10:28:34Z) - Transformed in Translation: Two-Stage Structural Uncertainty in LLM-Based Scientific Autoformalization [0.0]
オートフォーマル化はアカウントを実行可能な数学に変えるが、実行可能コードはどのモデルが構築されたかは決着しない。
応答法則を生成する形式化器と,その法則を軌道に変換する再帰性という,構造的不確実性の2つの源について検討する。
論文 参考訳（メタデータ） (2026-09-13T21:47:46Z) - ITPEval: Benchmarking Formal Translation Across Interactive Theorem Provers [77.95933562142014]
ITPEvalは、4つの主要なIPP間で自動形式証明翻訳を評価するための最初のベンチマークである。
itpevalは、状態が分離されたウォームバックエンドを備えた、統合されたマルチITP認証インフラストラクチャです。
論文 参考訳（メタデータ） (2026-07-07T22:05:55Z) - LLMEval-Logic: A Solver-Verified Chinese Benchmark for Logical Reasoning of LLMs with Adversarial Hardening [69.1037790901185]
現実的な状況シナリオから構築した中国の論理的推論ベンチマークLLMEval-Logicを提案する。
パイプラインのフォワードオーサとエキスパート-オーディット 自然言語アイテムは、参照の形式化とともに、Z3による注釈付き回答を検証し、自然言語から形式へのグレーディングのためのエキスパートルーブリックを構築し、クローズドループの逆行ワークフローを通じて選択されたアイテムを硬化させる。
論文 参考訳（メタデータ） (2026-05-19T09:40:29Z) - Explanation Fairness in Large Language Models: An Empirical Analysis of Disparities in How LLMs Justify Decisions Across Demographic Groups [0.0]
大規模言語モデル(LLM)は、意思決定だけでなく、それらを説明するためにもますますデプロイされている。
本稿では,5つの公式に定義された操作可能な次元からなるフレームワークであるExplaination Fairness Taxonomy(EFT)を紹介する。
分類学は80のプロンプトテンプレート、4つの連続決定ドメイン、5つのLCMからなる制御された実証研究でインスタンス化される。
論文 参考訳（メタデータ） (2026-05-09T04:19:03Z) - COLE: a Comprehensive Benchmark for French Language Understanding Evaluation [0.0]
COLEは、幅広いNLU機能をカバーする23の多様なタスクからなる新しいベンチマークである。
我々は94の大規模言語モデル (LLM) をベンチマークし、フランスのNLUの現状を広範囲に分析した。
論文 参考訳（メタデータ） (2025-10-06T17:26:41Z) - Semantic Bridge: Universal Multi-Hop Question Generation via AMR-Driven Graph Synthesis [3.1427813443719868]
大きな言語モデル(LLM)のトレーニングは、高品質で推論集約的な質問応答ペアの不足という、重大なボトルネックに直面します。
textbfSemantic Bridgeは、任意の情報源から洗練されたマルチホップ推論質問を制御可能とする最初の普遍的フレームワークである。
論文 参考訳（メタデータ） (2025-08-06T10:59:42Z) - KELPS: A Framework for Verified Multi-Language Autoformalization via Semantic-Syntactic Alignment [5.295540405828356]
KELPSは、非公式データを形式言語に翻訳、合成、フィルタリングするための反復的なフレームワークである。
まず、自然言語を知識方程式(KEs)に翻訳する。
次に、構文構造と意味的意味の両方を保持する厳密に定義された規則により、ターゲット言語に変換する。
このプロセスは6万以上の問題からなる並列コーパスを生み出した。
論文 参考訳（メタデータ） (2025-07-11T15:05:06Z) - LINC: A Neurosymbolic Approach for Logical Reasoning by Combining
Language Models with First-Order Logic Provers [60.009969929857704]
論理的推論は、科学、数学、社会に潜在的影響を与える可能性のある人工知能にとって重要なタスクである。
本研究では、LINCと呼ばれるモジュール型ニューロシンボリックプログラミングのようなタスクを再構成する。
我々は,FOLIOとProofWriterのバランスの取れたサブセットに対して,ほぼすべての実験条件下で,3つの異なるモデルに対して顕著な性能向上を観察した。
論文 参考訳（メタデータ） (2023-10-23T17:58:40Z) - Text Classification via Large Language Models [63.1874290788797]
テキスト分類に関わる複雑な言語現象に対処するために、Clue And Reasoning Prompting (CARP)を導入する。
注目すべきは、CARPが5つの広く使用されているテキスト分類ベンチマークのうち4つで新しいSOTAパフォーマンスを得ることだ。
さらに重要なのは、CARPが低リソースとドメイン適応のセットアップで素晴らしい能力を提供します。
論文 参考訳（メタデータ） (2023-05-15T06:24:45Z)
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。