Faithful and Robust LLM-Driven Theorem Proving for NLI Explanations

文章主要内容

本文针对自然语言推理（NLI）中自然语言解释的验证与优化问题，提出了一种结合大型语言模型（LLM）和定理证明器（TP）的神经符号框架Faithful-Refiner。核心挑战包括自动形式化过程中的语义丢失、语法错误、LLM构建严谨证明的能力不足。为此，作者提出以下解决方案：

1. 语法解析引导自动形式化：通过语法分析提取句子结构，辅助LLM生成更精确的逻辑表示，减少语义丢失。
2. 量词与逻辑一致性检查：识别并修正形式化中的量词作用域错误和逻辑矛盾，提升形式化的可靠性。
3. 逻辑表达式引导证明草图生成：提取逻辑命题和关系，生成结构化证明步骤，指导LLM构建有效推理链。
4. 迭代优化机制：利用定理证明器的反馈，迭代修正解释中的逻辑错误，减少优化所需的迭代次数。

实验在e-SNLI、QASC和WorldTree数据集上表明，该框架显著提升了自动形式化的忠实性（+18.46%∼\sim