Feb, 2015

迈向 AI 完全问答：一组前置 Toy 任务

PDF
TL;DR通过提出一组考核阅读理解水平的代理任务，我们测量了自然语言处理中的方法应用于推理和建立智能对话代理的长期目标，提出的任务可以通过链式事实、简单归纳、演绎等多种方式测试系统的理解能力，并为希望能够与人类对话的任何系统奠定必要的先决条件，我们相信，许多现有的学习系统目前还无法解决这些问题，我们的目标是将这些任务分类为技能集，以便研究人员可以确定并纠正他们的系统的缺陷。我们还扩展和改进了最近介绍的 Memory Networks 模型，并表明它能够解决其中的一些任务，但不是全部。
machine learningreasoningnatural languagedialogue agentreading comprehension
发现论文，激发创造
  • 评估学习端到端对话系统的先决条件素质

    本文提出了基于电影领域的一套新任务套件，旨在测试模型回答事实性问题、提供个性化、进行短对话及在 Reddit 上执行自然对话的能力，评估了各种模型在这些任务上的性能表现。

    Nov, 2015

  • 问答式交互语言学习

    该论文提出了一种基于交互的文本问答任务 QAit，通过使用基于深度强化学习的智能体与部分可观察的文本环境交互来获取答案所需的信息，提高了机器阅读系统在问答任务中的表现。

    Aug, 2019

  • 嗨，AI，你能通过与代理人对话解决复杂任务吗？

    为了解决模型训练的数据和资源浪费问题，本文提出了一项新的挑战 —— 通过自然语言与现有智能体通信以完成复杂任务。通过设计一个综合性的基准测试 ——CommaQA，该基准测试包括三项复杂的推理任务，旨在通过与现有的 QA 智能体进行沟通来解决这些任务。研究表明，传统的黑盒模型在使用现有智能体的知识和金标事实监督时也难以从头开始实现此任务。相比之下，学会与代理通信的模型表现更好，即使没有任何辅助监督和数据，这种通过与现有代理完成复杂任务的学习仍然是非常困难的。本文提供了 CommaQA 基准测试和组合泛化测试集，以推动这方面的研究。

    Oct, 2021

  • 基于对话的语言学习

    研究人员在机器学习和自然语言理解方面的不懈探索中探讨了基于对话的语言学习，发现预测前瞻是一种有前途的学习策略，并表明它可以在没有奖励监督的情况下正确地回答问题。

    Apr, 2016

  • TaskMatrix.AI：通过连接基础模型和数百万个 API 完成任务

    本篇论文提出了一种新型的人工智能生态系统，将基础模型与数百万 API 相连通以实现各种数字和实体任务，该方法主要利用基础模型作为中心系统，将这些 API 作为子任务解决器，以完成各种任务。

    Mar, 2023

  • 多轮对话理解的进展：一项综述

    本文从对话建模技术的技术角度回顾了以往的方法，总结了对话理解的特点和挑战，并讨论了三种典型的对话建模模式，还对于提升 PrLM 在对话场景下的表现的对话相关预训练技术进行了分类。此外，本文突出了近年来的技术进步，并指出实证分析的教训和未来研究的前景。

    Oct, 2021

  • 问答系统能从游戏达人身上学到什么

    通过创建竞赛数据集，可以激发机器学习回答问题的能力并揭示出哪个系统回答问题最好，但是需要借鉴历史上竞赛社区创建竞赛的经验教训，包括消除歧义、评估技能和裁定争议。

    Oct, 2019

  • 教授机器阅读和理解

    本篇论文提出了一种新方法，通过大规模监督学习从而提供阅读理解的数据集，开发了一类基于注意力机制的深度神经网络，使其能够在没有先前语言结构知识的情况下阅读真实文档并回答复杂问题。

    Jun, 2015

  • 什么是一个好问题？面向任务的问答与事实级屏蔽

    大语言模型在解决任务时常常缺乏与用户或第三方进行追问的能力，导致其难以生成能够促进任务成功的问题。通过定义及框架，本研究提出了自然语言任务导向的追问方法，并通过自监督学习生成了追问数据集，实验证明当前的零样本模型在提问中相较于人工标注者存在提取有用信息的困难，为训练和评估更好的追问模型提供了机遇。

    Oct, 2023

  • 从知识增强到多任务学习：走向类人对话系统

    研究人工智能中的对话代理，探索深度学习技术如何提高人工对话代理水平。

    Nov, 2022