提出了一种简单而健壮的随机答案网络（SAN），通过在神经网络的最后一层中使用一种随机预测辍学的方式，模拟机器阅读理解中的多步推理，以此提高鲁棒性并在 Stanford 问题回答数据集（SQuAD）、对抗性 SQuAD 和 Microsoft 机器阅读理解数据集（MS MARCO）上获得了具有竞争力的结果。

Dec, 2017

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

Neural Reasoner 是一个基于神经网络的推理框架，具有特殊的交互池机制和深度结构，能够处理不同类型的推理和语言表达形式，并在两个困难人工任务中表现出优越性能。

Aug, 2015

本文旨在介绍如何利用神经网络来构建阅读器，并介绍了一些经典模型，分析了它们所做出的改进，同时指出现有模型的缺陷和未来的研究方向。

Jun, 2019

本研究提出了一种基于神经模型和图卷积网络的阅读理解方法，可以跨多个文档进行多步推理和信息推理，并在 WikiHop 数据集上实现了最先进的结果。

Aug, 2018

本文提出一种使用无监督学习、基于语言模型的神经网络常识推理的简单方法，通过对大量未标记数据的训练，优化单选题的得分，获得了很好的测试成绩，没有使用昂贵的注释知识库或手工特征工程。

Jun, 2018

该研究提出了一种基于知识图谱的语义推理框架，以解决常识性问题，并通过引入 KagNet 模型和 ConceptNet 外部资源，取得了在常识 QA 数据集上的最佳表现。

Sep, 2019

本文提出了一种叫做 U-Net 的统一模型，它由回答指针、无回答指针和答案验证器三个重要组件组成。与流水线模型不同，U-Net 可以全程学习，并在 SQuAD 2.0 测试集上实现了 F1 得分 71.7。

Oct, 2018

人工智能研究半个世纪以来一直试图复制人类的抽象和推理能力，创造出可以从一小组示例中学习新概念的计算机系统，在人类轻松掌握的情境下进行。然而，尽管特定神经网络能够解决一系列问题，但对于训练数据之外的广泛泛化，仍然是个难题。本文提出了几种新颖的解决方法，用于解决抽象与推理语料库 (ARC) 的问题。尽管竞赛的最佳算法仍然无法解决大多数 ARC 任务，并且依赖于复杂的手工规则，而不使用机器学习。我们重新审视了神经网络领域的最新进展是否能够在这个任务上取得进展，并提出了适应 ARC 的 DreamCoder 神经符号推理求解器。DreamCoder 自动编写特定领域的语言程序进行推理，并使用神经网络模拟人类直觉。我们提出了感知抽象与推理语言 (PeARL) 语言，使 DreamCoder 能够解决 ARC 任务，并提出了一种新的识别模型，显著改进了之前的最佳实现。我们还提出了一种新的编码和增强方案，使大语言模型 (LLMs) 能够解决 ARC 任务，并发现最大的模型可以解决一些 ARC 任务。LLMs 能够解决一组不同于现有解算器的问题，并为其他方法提供了一种有趣的补充方式。我们进行了集成分析，将模型结合起来以取得比任何单独系统更好的结果。最后，我们发布了 arckit Python 库，使未来对 ARC 的研究更加容易。

Feb, 2024

本研究提出了一种新的基准数据集和一种神经消息传递模型，该模型结合了关系归纳偏差，与传统循环神经网络方法相比，在联络推理和组合泛化方面性能优越。

Nov, 2018