ALBI 用 LLM 生成假设、Prolog 验证，在 ILP 基准上匹配 Popper。
资讯摘要
论文提出 ALBI（Agent for Learning By Induction），一种神经符号归纳逻辑编程（ILP）框架，用大语言模型替换 Learning from Failures 范式中基于 ASP 的假设生成器，并保留 SWI-Prolog 作为形式验证器。ALBI 采用迭代的生成-测试-约束循环：LLM 从结构化提示中提出候选假设，Prolog 逐一测试，诊断反馈驱动改进。作者还提出语义匿名化这一蜕变测试方法，用于区分结构性符号归纳与基于谓词名称的表面模式匹配。
要点速读
- ALBI 用 LLM 替换 LFF 范式中的 ASP 假设生成器，SWI-Prolog 负责形式验证。
- 在 30 个标准 ILP 基准上，作者报告 Gemini 3.1 Pro、GPT 5.4 Pro、Claude Opus 4.6 均达 100% 成功率，与 Popper 相当，平均仅需 1.4–1.7 次迭代。
- 语义匿名化测试下，所有模型仍保持 100% 成功率，迭代次数增加约 1.36–1.67 倍。
中文摘要由 AI 根据公开来源生成，可能存在理解偏差；具体能力、数字、开放时间等信息请以原文为准。
采集于 2026/11/5 08:00:38（北京时间）。 arXiv 日期为本次公告时间，论文初次投稿日期请查看原文版本记录。