論文の概要: From Natural Language to Exact Cover: A Neuro-Symbolic Approach to Zebra Puzzles

• arxiv url: http://arxiv.org/abs/2611.03641v1
• Date: Mon, 02 Nov 2026 18:58:21 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-11-06 03:31:27.827188
• Title: From Natural Language to Exact Cover: A Neuro-Symbolic Approach to Zebra Puzzles
• Title（参考訳）: 自然言語から排他的カバーへ:ゼブラパズルへの神経-シンボリックアプローチ
• Abstract要約: CoT(Chain-of-Thought)生成による大規模言語モデル(LLM)の性能向上 本稿では,神経意味解析と決定論的正確なカバー推論を組み合わせることで,ギャップを埋める相乗的ニューロシンボリック・フレームワークを提案する。
• 参考スコア（独自算出の注目度）: 2.329543167103437
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Chain-of-Thought (CoT) generation has substantially improved the performance of Large Language Models (LLMs) on complex reasoning tasks, including code generation, data analysis, and exam-style question answering. Despite these advances, purely neural LLMs continue to struggle with elementary logical reasoning problems and lack the determinism, soundness, and reliability characteristic of symbolic reasoning systems. Conversely, classical symbolic methods such as SAT solving and exact cover guarantee correctness and completeness, but require problems to be expressed in highly specialized formal encodings, limiting their applicability to natural language inputs. In this work, we present a synergistic neuro-symbolic framework that bridges this gap by combining neural semantic parsing with deterministic exact cover reasoning. Given a Zebra-style logic puzzle in natural language, an LLM translates entities and constraints into structured tool calls that construct an exact cover instance. A symbolic solver then computes the solution and provides feedback to iteratively refine invalid, under- or overconstrained encodings, exploiting the uniqueness property of Zebra puzzles. We conduct a comprehensive empirical evaluation across multiple parameter scales, post-training paradigms, and LLM families. The results demonstrate that our hybrid approach consistently outperforms strong plain neural baselines, including CoT prompting, as well as recent neuro-symbolic methods.
• Abstract（参考訳）: CoT(Chain-of-Thought)生成は、コード生成、データ分析、試験スタイルの質問応答を含む複雑な推論タスクにおいて、LLM(Large Language Models)の性能を大幅に改善した。 これらの進歩にもかかわらず、純粋に神経性LLMは基本的な論理的推論問題に悩まされ続け、記号的推論システムの決定性、健全性、信頼性が欠如している。 逆にSATのような古典的記号法は、正確さと完全性を保証するが、高度に専門化された形式的なエンコーディングで表現する必要がある。 本研究では,神経意味解析と決定論的正確なカバー推論を組み合わせることで,このギャップを埋める相乗的ニューロシンボリック・フレームワークを提案する。 自然言語のZebraスタイルの論理パズルが与えられた後、LLMはエンティティと制約を構造化ツールコールに変換し、正確なカバーインスタンスを構成する。 シンボリック・ソルバは解を計算し、Zebraパズルの特異性を利用して、無効、下限、あるいは過剰に制限されたエンコーディングを反復的に洗練するためのフィードバックを提供する。 複数のパラメータ尺度、ポストトレーニングパラダイム、LLMファミリーにまたがる総合的な経験的評価を行う。 その結果、我々のハイブリッドアプローチは、CoTプロンプトや最近のニューロシンボリックな手法など、強いニューラルベースラインを一貫して上回ります。

関連論文リスト

• Neurosymbolic Language Reasoning as Satisfiability Modulo Theory [17.539850467483323]
  文書を自然言語テキスト制約(NLTC)として表すニューロシンボリック言語であるLogitextを紹介する。 我々は,LLMに基づく制約評価と満足度変調理論(SMT)の解法を統合するアルゴリズムを開発した。
  論文  参考訳（メタデータ） (2026-02-20T09:35:26Z)
• Hybrid Models for Natural Language Reasoning: The Case of Syllogistic Logic [3.421904493396495]
  本稿では,Sylological fragment をベンチマークとして,事前学習型大言語モデル(LLM)の論理一般化能力について検討する。 シンボリック推論とニューラル計算を組み合わせたハイブリッドアーキテクチャを提案する。 実験の結果,比較的小さな神経成分でも高い効率が維持できることがわかった。
  論文  参考訳（メタデータ） (2025-10-10T15:27:29Z)
• Unlocking Symbol-Level Precoding Efficiency Through Tensor Equivariant Neural Network [84.22115118596741]
  シンボルレベルのプリコーディングにおいて,推論の複雑さの低いエンドツーエンドディープラーニング(DL)フレームワークを提案する。 提案手法は,従来の手法よりも約80倍の高速化を実現しつつ,SLPの大幅な性能向上を達成できることを示す。
  論文  参考訳（メタデータ） (2025-10-02T15:15:50Z)
• Sketch-of-Thought: Efficient LLM Reasoning with Adaptive Cognitive-Inspired Sketching [64.74765550805024]
  Chain-of-Thoughtはステップバイステップの問題解決を促すが、中間出力の過剰な冗長性を犠牲にすることが多い。 我々は,認知にインスパイアされた推論パラダイムを言語制約と統合する促進フレームワークであるSketch-of-Thought(SoT)を提案する。 SoTはトークンを最大84%削減し、18の推論データセットで最小限の精度ロスを達成している。
  論文  参考訳（メタデータ） (2025-03-07T06:57:17Z)
• Improving Chain-of-Thought Reasoning via Quasi-Symbolic Abstractions [25.337811496479265]
  CoT(Chain-of-Though)は、大規模言語モデルにおける推論のための一般的な戦略である。 準シンボリックな説明を通じて,LLMを高レベルの抽象化で動作させる,CoTのバリエーションであるQuaSARを提案する。 実験の結果,準記号的抽象化はCoT法を最大8%精度で改善できることがわかった。
  論文  参考訳（メタデータ） (2025-02-18T07:58:48Z)
• Large Language Models Meet Symbolic Provers for Logical Reasoning Evaluation [24.081573908824353]
  一階述語論理(FOL)推論はインテリジェントシステムにおいて重要である。 既存のベンチマークは、広範囲の人間のアノテーションや手作りテンプレートに依存していることが多い。 本稿では,大言語モデルの生成強度を記号型プローサの厳密性と精度で相乗化するProverGenという新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-02-10T15:31:54Z)
• ZebraLogic: On the Scaling Limits of LLMs for Logical Reasoning [92.76959707441954]
  我々はLLM推論性能を評価するための総合的な評価フレームワークであるZebraLogicを紹介した。 ZebraLogicは、制御可能で定量化可能な複雑さを持つパズルの生成を可能にする。 その結果,複雑性が増大するにつれて,精度が著しく低下することが明らかとなった。
  論文  参考訳（メタデータ） (2025-02-03T06:44:49Z)
• MuSR: Testing the Limits of Chain-of-thought with Multistep Soft Reasoning [63.80739044622555]
  自然言語ナラティブで指定されたソフト推論タスクの言語モデルを評価するデータセットである MuSR を紹介する。 このデータセットには2つの重要な特徴がある。まず、ニューロシンボリック合成-自然生成アルゴリズムによって生成される。 第二に、私たちのデータセットインスタンスは、実世界の推論の領域に対応する無料のテキスト物語です。
  論文  参考訳（メタデータ） (2023-10-24T17:59:20Z)

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。