从假设到前提：基于选择性符号翻译的大型语言模型反向逻辑推理
计算与语言
2025-12-04 v1
摘要
逻辑推理是自然语言理解的核心挑战，也是人工智能的基本能力，支撑着科学发现、数学定理证明和复杂决策。尽管大型语言模型（LLMs）取得了显著进展，但大多数当前方法仍然依赖正向推理范式，从前提逐步生成推理至结论。然而，此类方法常常遭受冗余推理路径、幻觉步骤和语义漂移的困扰，导致推理效率低下且不可靠。在本文中，我们提出了一种新颖的框架：假设驱动的反向逻辑推理（HBLR）。核心思想是将置信度感知的符号翻译与假设驱动的反向推理相结合。在翻译阶段，仅将高置信度片段转换为逻辑形式（如一阶逻辑 FOL），而不确定内容保留在自然语言。翻译反思模块进一步通过评估符号输出并将丢失信息较多的输出回退至文本，以确保语义保真度。在推理阶段，HBLR 通过假设结论为真并递归验证其前提来模拟人类演绎思维。推理反思模块进一步识别并纠正错误的推理步骤，增强逻辑一致性。在五个推理基准上的广泛实验表明，HBLR 在准确性和效率方面均持续超越强基线。
引用
@article{arxiv.2512.03360,
title = {From Hypothesis to Premises: LLM-based Backward Logical Reasoning with Selective Symbolic Translation},
author = {Qingchuan Li and Mingyue Cheng and Zirui Liu and Daoyu Wang and Yuting Zeng and Tongxuan Liu},
journal= {arXiv preprint arXiv:2512.03360},
year = {2025}
}
备注
Accepted by AAAI2026