深度语义归纳时空学习
利用归纳推理现象,通过研究语言模型(LMs)中的语义归纳综合,分析人工归纳文献中观察到的现象,并研究涉及隐含推理和新出现功能识别等任务的归纳行为,并分析并联系到学习到的概念表示空间。
Nov, 2021
构建具有物理表征特性的神经符号方法,以逐渐学习概括性空间概念,用于创造塔的高度等任务,并在连续学习中实现在新概念上的归纳推理能力超越现有基准线。
Apr, 2024
从少数示例中抓取灵活的视觉概念。我们探索了一种神经符号系统,该系统学习如何推断以通用方式捕捉视觉概念的程序。我们引入了模板程序:来自特定领域语言的程序表达式,用于指定输入概念中的结构和参数模式。我们的框架支持多个与概念相关的任务,包括通过解析进行少数示例生成和共分割。我们开发了一种学习范式,使我们能够从包含概念分组的视觉数据集中直接训练推断模板程序的网络。我们在多个视觉领域进行实验:2D 布局,Omniglot 字符和 3D 形状。我们发现我们的方法优于特定任务的替代方案,并在存在有限领域特定方法的领域中表现出有竞争力。
Mar, 2024
我们提出了一种以构造主义为基础的方法,将 LLM 学习过程转向主动、持续的知识综合和定制,通过将时态推理分为两个阶段并整合历史数据中的抽象方法,显著提高了 LLM 对时态推理的能力。
Nov, 2023
介绍了一种层次感知模型,结合认知地图、空间感知和位置运动,通过基于像素的观察推断出环境结构,并能在迷你格环境中进行高效探索和目标导向搜索。
Sep, 2023
该研究考虑使用生成语言模型分析语义轨迹痕迹并生成合成语义轨迹数据,从而实现在人类、动物、物品等运动轨迹方面进行未来走向预测,增强机器对行动的理解,从而进一步提高人机交互能力,并增强城市规划、个性化推荐引擎和商业战略等领域的应用。
Jun, 2023
本文引入了一个预测生成空间布局的任务,通过神经网络模型从图像和结构化文本中学习, 在普遍性场景下,模型表现出了可靠的预测结果,且具有从先前未见过的对象中输出准确的空间预测的能力。
Nov, 2017
本文提出了一个在模拟环境中进行空间推理的模型,使用强化学习和广义值迭代方法进行训练,取得了目标定位误差减少 45% 的成果。模型以指令文本为引导,学习世界的表示,对语言和环境进行联合推理,实现了本地邻域与对应词汇的精准对齐,同时处理指令中的全局参照。
Jul, 2017