Contrapositive and Contradiction for Automated Reasoning

最新推荐文章于 2025-11-25 12:11:01 发布

UnknownBody

最新推荐文章于 2025-11-25 12:11:01 发布

阅读量78

点赞数

CC 4.0 BY-SA版权

分类专栏： Causal and Reasoning 文章标签：人工智能自然语言处理

本文链接：https://blog.youkuaiyun.com/c_cpp_csharp/article/details/136671720

LLM 日更同时被 2 个专栏收录

828 篇文章

已下架不支持订阅

Causal and Reasoning

130 篇文章

订阅专栏

本文提出了一种间接推理方法，通过反命题逻辑和矛盾证明增强LLM在事实推理和数学证明任务中的表现。实验显示，与直接推理相比，该方法提高了27.33%和31.43%的准确性，并能与现有方法集成，提升推理能力。

本文是LLM系列文章，针对《Large Language Models as an Indirect Reasoner: Contrapositive and Contradiction for Automated Reasoning》的翻译。

摘要

近年来，人们越来越关注提高大型语言模型（LLM）执行复杂推理的能力。然而，以前的方法，如思想链和自洽性，主要遵循直接推理（DR）框架，因此它们在解决许多难以通过DR解决的现实世界任务时会遇到困难。因此，为了增强LLM的推理能力，本文提出了一种新的间接推理（IR）该方法采用对立和矛盾的逻辑来处理IR任务，如事实推理和数学证明。具体而言，我们的方法包括两个步骤。首先，我们利用反命题的逻辑等价性来扩充数据和规则，以增强LLM的可理解性。其次，我们设计了一组提示模板，以触发LLM在逻辑上等同于原始DR过程的矛盾证明的基础上进行IR。我们的IR方法简单而有效，可以直接与现有的DR方法集成，以进一步提高LLM的推理能力。在GPT-3.5-turbo和Gemini-pro等流行LLM上的实验结果表明，与传统的DR方法相比，我们的IR方法提高了27.33%的事实推理和31.43%的数学证明的总体准确性。此外，结合IR和DR的方法显著优于单独使用IR或DR的方法，进一步证明了我们策略的有效性。