説明可能で堅牢な推論のための形式知識拡張言語モデル

大規模言語モデル（LLM）は多くのタスクで優れていますが、しばしば複雑な多段階推論に苦戦し、一貫性のない出力や幻覚（誤情報）を生み出します。そこで本研究では、形式知識（論理規則、オントロジー、知識グラフなど）をLLMのChain-of-Thought（CoT）プロセスに組み込むニューラル記号統合フレームワークを提案します。本手法は記号情報を取得・統合し論理推論を導くことで、より正確で解釈可能な出力を実現します。複合推論ベンチマークでの実験は、標準的なLLM手法に対し大幅な性能向上を示しました。本研究は、高リスク領域での信頼性と説明可能性を備えたAIシステム開発におけるニューラル記号統合の可能性を示しています。