面向常识溯因逻辑的均衡神经符号方法

尽管大语言模型（LLM）展现出令人印象深刻的形式推理能力，但当问题需要复杂的证明规划时，它们常常失效。提升LLM推理能力的一个有前途的方法是将问题转化为形式逻辑并使用逻辑求解器。尽管现成的逻辑求解器在逻辑推理上原则上远比LLM高效，但它们假定问题中已提供所有相关事实，无法处理缺失的常识关系。在本工作中，我们提出一种新方法，以迭代方式利用逻辑求解器的反馈，用LLM提供的常识关系增广逻辑问题。这包括一个在潜在常识假设中搜索的过程，以在保持成本可控的同时最大化找到有用事实的机会。在从中移除了部分常识信息的纯逻辑推理数据集集合上，我们的方法相较现有技术持续取得可观改进，证明了在人类语境中平衡神经与符号元素的价值。