ART：用于可解释论断验证的自适应推理树

摘要

大语言模型（LLM）凭借海量编码知识和出色的零样本能力，是承担复杂决策的有力候选。然而，其不透明性阻碍了它们在高风险环境中的采用：其输出缺乏忠实的解释，也无法通过有效抗辩来纠正错误，从而损害可信度。本文提出ART（Adaptive Reasoning Trees，自适应推理树），一种层次化的论断验证方法。该过程从根论断出发，将其分叉为支持性和攻击性的子论证。论证的强度由其子论证通过两两对决自底向上确定，由裁判LLM裁决，从而系统性地得出最终、透明且可抗辩的结论，这是思维链（CoT）等方法所缺失的。我们在多个数据集上实证验证ART，分析了不同的论证生成器和比较策略。我们的结果表明，ART的结构化推理优于强基线，为可解释论断验证树立了新的基准，更可靠并保证整体决策步骤的清晰性。

ART：用于可解释论断验证的自适应推理树配图 — 图 1：ART（Adaptive Reasoning Trees，自适应推理树）框架概览，图中以 depth=1、breadth=3 的树为例。每一层宽度增加 b 个支持与攻击论点。一个声明首先由论点生成器（Argument Generator）处理，生成由支持与攻击论点构成的树。随后，立场相反的论点在成对淘汰赛中相互对决。成对论点排序器（Pairwise Argument Ranker，一个 LLM-as-a-judge）评估这些配对，动态更新每个论点的强度。最后，强度聚合器（Strength Aggregator）将这些更新后的分数汇总为该声明真实性的最终概率。