IFDNS：一种迭代反馈驱动的神经符号方法，用于忠实的逻辑推理
人工智能
2026-01-13 v1
摘要
大型语言模型（LLM）在广泛的推理任务中展现出惊人的能力，包括逻辑和数学问题解决。虽然基于提示的链式思考（Chain-of-Thought, CoT）方法在一定程度上可以增强LLM的推理能力，但常常存在忠诚性不足的问题，即推导出的结论可能不与生成的推理链一致。为此，研究人员探索了神经符号方法来增强LLM的逻辑推理能力。然而，现有的神经符号方法在过程中仍面临信息丢失的挑战。为克服这些限制，我们引入迭代反馈驱动神经符号（IFDNS）方法，这是一种新颖的基于提示的方法，采用多轮反馈机制来解决LLM在处理复杂逻辑关系方面的局限性。IFDNS利用迭代反馈进行逻辑提取阶段，以准确提取因果关系语句并将其翻译为命题和逻辑蕴含表达式，有效缓解了信息丢失问题。此外，IFDNS与现有的提示方法是正交的，可以无缝集成到各种提示方法中。跨六个数据集的实证评估表明，IFDNS在显著提高CoT和链式思考自洪 (Chain-of-Thought with Self-Consistency, CoT-SC) 的性能方面效果显著。具体而言，IFDNS在LogiQA数据集上对CoT实现了+9.40%的准确率提升，在PrOntoQA数据集上对CoT-SC实现了+11.70%的改进。
引用
@article{arxiv.2601.07464,
title = {IFDNS: An Iterative Feedback-Driven Neuro-Symbolic Method for Faithful Logical Reasoning},
author = {Xiaoheng Wang and Tongxuan Liu and Zi Gong and Xianzhe Dong and Yuting Zeng and Minhan Hu and Weizhe Huang and Jing Li},
journal= {arXiv preprint arXiv:2601.07464},
year = {2026}
}
备注
13 pages,5 figures