一种自然语言形式化与验证的神经符号方法
计算与语言
2025-11-13 v1 人工智能
机器学习
计算机科学中的逻辑
摘要
大型语言模型在自然语言解释和推理方面表现良好，但其内在的随机性限制了在金融和医疗等受监管行业的采用，这些行业在严格的政策下运作。为解决此限制，我们提出了两个阶段的神经符号框架：（1）使用可选的人类指导将自然语言政策形式化，以实现对形式化过程的细粒度控制；（2）使用推理时自动形式化来验证自然语言语句在这些政策下的逻辑正确性。当正确性至关重要时，我们在推理时执行多个冗余形式化步骤，对形式化结果进行语义等价性交叉检查。我们的基准测试显示，我们的方法超过了 99% 的严谨性，表明在识别逻辑有效性方面几乎没有误报率。我们的方法产生可审计的逻辑制品，以证明验证结果，并可用于改进原始文本。
引用
@article{arxiv.2511.09008,
title = {A Neurosymbolic Approach to Natural Language Formalization and Verification},
author = {Sam Bayless and Stefano Buliani and Darion Cassel and Byron Cook and Duncan Clough and Rémi Delmas and Nafi Diallo and Ferhat Erata and Nick Feng and Dimitra Giannakopoulou and Aman Goel and Aditya Gokhale and Joe Hendrix and Marc Hudak and Dejan Jovanović and Andrew M. Kent and Benjamin Kiesl-Reiter and Jeffrey J. Kuna and Nadia Labai and Joseph Lilien and Divya Raghunathan and Zvonimir Rakamarić and Niloofar Razavi and Michael Tautschnig and Ali Torkamani and Nathaniel Weir and Michael W. Whalen and Jianan Yao},
journal= {arXiv preprint arXiv:2511.09008},
year = {2025}
}
备注
20 pages, 12 figures