用于推理时论证的神经符号学习

针对高风险场景下的主张验证问题，本文提出了推理时论证（ITA）框架。这是一种可训练的神经符号方法，利用形式化论证语义指导大语言模型生成论证并分配基础分数，进而计算三元（真/假/不确定）预测。该方法在训练时优化论证质量，在推理时确保预测结果由显式论证结构确定性导出，避免了传统事后解释的不忠实性。实验表明，ITA 在两个数据集上优于论证基线，并能提供可 inspect 的忠实判决。