Restoring the Neural-Symbolic Bridge via Execution-Grounded Reward Shaping in Large Language Models
本論文は、実行に基づいた多次元的な報酬(GRPOを介したもの)を活用することで、希薄な事前学習プライアに基づく形式言語への教師あり微調整の限界を克服し、複雑な推論ベンチマークにおいて最先端の性能を達成する、知識ベース質問応答のための大規模言語モデルにおけるニューロ・シンボリック・ブリッジを復元する強化学習フレームワークであるReinKBQAを提案する。