类比基于的工作量估计:从数据集特征中发现一组类比的新方法
本研究调查了集成学习在类比式努力估计中的应用潜力,比较了使用的类比数 k,研究发现,将集成方法应用于调节方法可以显著提高预测性能,而线性调节方法的表现更佳,推荐使用线性调节方法进行集成。
Mar, 2017
用于评估语言模型中类比推理能力的基准模型 ANALOBENCH 可以从大量信息中回忆相关经验,并将类比推理应用于复杂和冗长的情景中。
Feb, 2024
本研究提出了一种名为 AB/BA 分析的技术,该技术可在隐私约束下,无需负样本即可使用交叉数据集进行相对召回率估计,以及在机器生成的软标签的帮助下进行半监督分析。通过实验,研究表明 AB/BA 分析可成功衡量召回率的改进和相对假阳性率的平衡。
Apr, 2022
通过学习较简单的 “问题模式” 结构表示,并结合众包和递归神经网络从产品描述中提取目的和机制向量表示,使我们在寻找类比时可以比传统信息检索方法获得更高的精确度和召回率,在创意发想实验中,模型检索的类比与传统方法相比, 显著提高了人们产生创造性想法的可能性,这一结果表明,在许多大规模的现实生活情境下,学习和利用较弱的结构表示是实现计算类比的一种很有前途的方法。
Jun, 2017
提出了一个基于知识图谱的百万级类比知识库 ANALOGYKB,能够发现两种类型的类比,成功地让模型在类比推理任务中超越了之前最先进的方法。
May, 2023
人类认知的核心能力之一是类比;在面对新的情境时,我们经常将先前的经验从其他领域转化过来。多数关于计算类比的研究主要依赖于复杂的、手工制作的输入。本研究通过减少输入要求,只需要对实体进行映射,自动提取常识表示并将其用于实体之间的映射。与以往的工作不同,我们的框架能够处理部分类比并提出新的实体添加。此外,我们的方法的输出易于解释,允许用户理解为什么选择了特定的映射。实验证明,我们的模型能够正确映射 81.2% 的典型的 2x2 类比问题(猜测水平 = 50%)。在更大的问题上,它的准确率达到 77.8%(平均猜测水平 = 13.1%)。在另一个实验中,我们展示了我们的算法优于人类表现,并且自动提出的新实体与人类的建议类似。我们希望这项工作能通过为更灵活、更现实的输入要求铺平道路来推动计算类比的发展。
Nov, 2023
本研究提出了一个自监督增强的框架 AnKGE,其中包括不同层次的类比推理来增强知识图谱嵌入 (KGE) 模型,以预测缺失的关系。在知识图谱不完整的情况下,AnKGE 结合了归纳学习和类比推理的方法,在 FB15k-237 和 WN18RR 数据集上实现了竞争性结果。
Jan, 2023
提出了一种方法来以信息量的位数量化类比测试中类比的实际相关性,主要组件是一种软准确度估计器,还提供了具有补偿偏差的熵估计,使用预训练的 GloVe 300-D 向量和两个公共类比测试集获得的实验结果表明,从信息内容的角度来看,接近度提示比类比更相关,因此,使用简单的词嵌入模型预测类比携带约一位信息量,这得到了实验的验证。
Oct, 2022