面向常识溯因逻辑的平衡神经符号方法
人工智能
2026-01-27 v1 机器学习
摘要
尽管大语言模型（LLM）展现出了令人印象深刻的形式推理能力，但当问题需要复杂的证明规划时，它们往往会失效。改进 LLM 推理能力的一种有前景的方法涉及将问题转化为形式逻辑并使用逻辑求解器。尽管现成的逻辑求解器在逻辑推理上原则上比 LLM 高效得多，但它们假设问题中提供了所有相关事实，且无法处理缺失的常识关系。在这项工作中，我们提出了一种新方法，该方法以迭代方式使用来自逻辑求解器的反馈，利用 LLM 提供的常识关系来增强逻辑问题。这涉及在潜在的常识假设中进行搜索过程，以最大化发现有用事实的机会，同时保持成本可控。在一个移除了部分常识信息的纯逻辑推理数据集上，我们的方法比现有技术取得了一致的显著改进，证明了在人类语境下工作时平衡神经与符号要素的价值。
引用
@article{arxiv.2601.18595,
title = {A Balanced Neuro-Symbolic Approach for Commonsense Abductive Logic},
author = {Joseph Cotnareanu and Didier Chetelat and Yingxue Zhang and Mark Coates},
journal= {arXiv preprint arXiv:2601.18595},
year = {2026}
}