面向推理时论证的神经符号学习
人工智能
2026-05-20 v1
摘要
声明验证在包括健康和金融在内的高风险场景中是一个重要问题。当支撑声明的信息不完整或存在冲突时，不确定的答案可能比二元的真或假分类更合适。在所有情况下，对决定最终裁决的考量因素提供忠实的解释至关重要。我们引入了推理时论证（Inference-Time Argumentation, ITA），这是一个可训练的神经符号框架，用于三元声明验证，其中，一个给出声明强度的形式论证语义被用于（i）在模型学习生成论证并为其分配基础分数（代表内在强度）时指导大语言模型（LLM）训练，以及（ii）从生成的、已评分的论证中计算三值（真/假/不确定）预测。因此，在训练时，论证生成和评分可以根据所诱导的论证性预测的质量进行优化。此外，在推理时，最终预测在构造上忠实于决定裁决的论证和分数，而不是像传统推理模型那样，由一个可能不忠实的后验推理轨迹来证明。我们最后展示，在两个三值声明验证数据集上，ITA 优于论证性基线，并且能够与非论证性直接预测基线进行有竞争力的表现，同时提供从显式、可检查的论证结构中确定性计算出的裁决。
引用
@article{arxiv.2605.20098,
title = {Neurosymbolic Learning for Inference-Time Argumentation},
author = {Gabriel Freedman and Adam Dejl and Adam Gould and Mansi and Lihu Chen and Jianqi Jiang and Francesca Toni},
journal= {arXiv preprint arXiv:2605.20098},
year = {2026}
}
备注
Under review