LOGicalThought：面向高保证推理的基于逻辑的本体论 grounding 的 LLM
人工智能
2025-10-03 v1
摘要
高保证推理，特别是在法律和医疗等关键领域，需要确保结论准确、可验证，并明确基于证据。这种推理依赖于来自规则、法规和合同的前提，这些前提本质上涉及欧因德逻辑或非单调逻辑 due to 众多例外，单一事实的引入可能使通用规则失效，这在挑战性很大。虽然大型语言模型（LLM）在处理自然语言方面表现出色，但其在标准推理任务中的能力并不等同于对高保证文本指南所需的严格推理。核心推理挑战在此类文本中常常体现为特定的逻辑结构，涉及否定、蕴含以及最关键的是欧因德规则和例外。本文提出了一种新型的神经符号架构，称为LOGicalThought（LogT），它结合了高级逻辑语言和推理器，与LLM协同工作，以构建双重符号图上下文和基于逻辑的上下文。这两种上下文表示将问题从对长篇指南的推理转化为紧凑的基于 grounding 的评估。在四个多领域基准测试中对比四个基线方法后，LogT在所有LLM上的整体性能提升了11.84%。在所有三种推理模式下性能均显著提升：在否定推理上提升最高达+10.2%，在蕴含推理上提升最高达+13.2%，在欧因德推理上提升最高达+5.5%。
引用
@article{arxiv.2510.01530,
title = {LOGicalThought: Logic-Based Ontological Grounding of LLMs for High-Assurance Reasoning},
author = {Navapat Nananukul and Yue Zhang and Ryan Lee and Eric Boxer and Jonathan May and Vibhav Giridhar Gogate and Jay Pujara and Mayank Kejriwal},
journal= {arXiv preprint arXiv:2510.01530},
year = {2025}
}