KAIST：神经符号增强LLM逻辑推理

📖标题：Divide and Translate: Compositional First-Order Logic Translation and Verification for Complex Logical Reasoning
🌐来源：arXiv, 2410.08047

摘要

🔸复杂的逻辑推理任务需要长时间的推理，而具有思维链提示的大型语言模型（LLM）仍然无法满足这一要求。为了缓解这个问题，神经符号学方法引入了一个符号求解器。具体来说，LLM只将自然语言问题转化为由一阶逻辑公式组成的可满足性（SAT）问题，而一个健全的符号求解器会返回数学上正确的解。然而，我们发现LLM在翻译过程中很难捕捉到隐藏在自然语言中的复杂逻辑语义。
🔸为了解决这一局限性，我们提出了一种组合一阶逻辑翻译。LLM首先将自然语言句子解析为由原子子串及其依赖项组成的新定义的逻辑依赖结构，然后顺序翻译解析的子串。由于单个句子可以有多个逻辑依赖结构和顺序翻译，我们还引入了两种验证算法来确保更可靠的结果。我们利用SAT求解器严格比较生成的一阶逻辑公式的语义，并选择最可能的一个。我们在七个逻辑推理基准上评估了所提出的方法，称为CLOVER，并表明它优于之前的神经符号学方法，并取得了新的最先进的结果。

🛎️文章简介

🔸研究问题：现有的逻辑翻译方法在处理复杂的一阶逻辑句子时表现不佳，无法在句子级别进行分析和验证。
🔸主要贡献：论文提出了一种新的组合一阶逻辑翻译和验证方法（CLOVER），能够有效地分解和翻译复杂的逻辑句子，并进行验证。

📝重点思路

🔺相关工作