대형 언어 모델 (LLMs) 은 사실적 환각에 취약하여 실제 응용에서 신뢰성을 위협할 수 있습니다. 기존 환각 탐지기는 불확실성 정량화를 위한 미시적 내재 패턴 추출이나, 말로 표현된 프롬프트를 통한 거시적 자기 판단을 유도하는 방식으로 주로 작동합니다. 그러나 이러한 방법들은 환각의 단일 측면만 다루며, 명시적 신경 불확실성 또는 명시적 기호 추론에 초점을 맞추고 있어 본질적으로 결합된 이 두 행동을 분리하여 처리하고 상호 의존성을 활용하지 못합니다.

이 논문에서는 응답과 자기 판단 간 라벨 제약 모델링을 통해 환각 탐지에 신경 특징과 기호 판단을 연결하는 LaaB (Logical Consistency-as-a-Bridge) 프레임워크를 제안합니다. LaaB 는 기호 라벨을 특징 공간으로 다시 매핑하기 위한 "메타-판단" 프로세스를 도입합니다. 응답과 메타-판단 라벨이 자기 판단의 의미에 따라 동일하거나 반대인 논리적 연결고리를 활용하여, LaaB 는 상호 학습을 통해 이 두 관점의 신호를 정렬하고 통합하며 환각 탐지를 강화합니다. 4 개의 공개 데이터셋에 대한 4 개의 LLM 과 8 개의 베이스라인에 대한 광범위한 실험은 LaaB 의 우월성을 입증했습니다.