December 8, 2025

用于可解释且稳健推理的形式知识增强语言模型

Key Points

知识图谱和本体增强了语言模型，减少了推理中的不一致性，尤其是在复杂任务中。
该方法在组合推理基准测试上显著提升了性能，解决了LLMs的挑战。
神经符号框架在推理基准测试中经受验证，展示了输出的准确性和可解释性。
这些进展表明AI系统正朝向可靠且可解释的方向发展，这对于高风险应用至关重要。

Abstract

大型语言模型（LLMs）在许多任务中表现出色，但常常在复杂的多步推理中遇到困难，导致不一致和幻觉。因此，我们提出了一个神经符号整合框架，通过将形式知识——如逻辑规则、本体和知识图谱——融入其链式思维（CoT）过程中，来增强LLM的推理能力。我们的方法检索并整合符号信息以指导逻辑推理，从而产生更准确且可解释的输出。在组合推理基准测试中的实验显示，相较于标准LLM方法有显著提升。这项工作强调了神经符号整合在开发更可靠和可解释AI系统，特别是在高风险应用中的潜力。

Connected Papers

Building similarity graph...

Analyzing shared references across papers

Discussion

Authors

Ngoc-Khuong Nguyen

Viet-Ha Nguyen

Anh-Cuong Le

Journals

Journal of Intelligent & Fuzzy Systems

Actions

Institutions

Ton Duc Thang University

Hai Phong University of Management and Technology

References and Citations

Connected Papers

Building similarity graph...

Analyzing shared references across papers

用于可解释且稳健推理的形式知识增强语言模型

Key Points

Abstract

Citation Network

Connected Papers

Discussion

Authors

Journals

Actions

Institutions

References and Citations

Citation Network

Connected Papers

Discussion

Cite this study

Also consider