A Semantic Parsing Algorithm to Solve Linear Ordering Problems

要約

自ない推論を使用してエンティティをアレンジするためにモデルが必要とする線形順序付けの問題を意味的に解析するためのアルゴリズムを開発します。
私たちの方法は、多くの施設と候補の声明を入力し、順序付けドメインの1次ロジックにそれらを解析し、制約ロジックプログラミングを利用して、注文に関する提案された声明の真実を推測します。
セマンティックパーサーは、ハイムとクラッツァーの構文ベースの構成形式的セマンティックルールを計算アルゴリズムに変換します。
この変換には、ルールに基づいて抽象タイプとテンプレートを導入し、コンテキストフレームワーク内のエンティティを解釈する動的コンポーネントを導入します。
当社のシンボリックシステムである正式なセマンティックロジックインケーター（FSLI）は、Big-BenchのLogical_Deduction Multiple Choiceの問題で複数選択の質問に答えるために適用され、最高のパフォーマンスのLLM（GPT-4）と87.63の67.06％と比較して完全な精度を達成します。
ハイブリッドシステムLogic-LMの％。
これらの有望な結果は、1次論理構造によって駆動されるセマンティック解析アルゴリズムを開発することの利点を示しています。

要約(オリジナル)

We develop an algorithm to semantically parse linear ordering problems, which require a model to arrange entities using deductive reasoning. Our method takes as input a number of premises and candidate statements, parsing them to a first-order logic of an ordering domain, and then utilizes constraint logic programming to infer the truth of proposed statements about the ordering. Our semantic parser transforms Heim and Kratzer’s syntax-based compositional formal semantic rules to a computational algorithm. This transformation involves introducing abstract types and templates based on their rules, and introduces a dynamic component to interpret entities within a contextual framework. Our symbolic system, the Formal Semantic Logic Inferer (FSLI), is applied to answer multiple choice questions in BIG-bench’s logical_deduction multiple choice problems, achieving perfect accuracy, compared to 67.06% for the best-performing LLM (GPT-4) and 87.63% for the hybrid system Logic-LM. These promising results demonstrate the benefit of developing a semantic parsing algorithm driven by first-order logic constructs.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google