通过类比挖掘加速创新
通过一种全新的的端对端系统进行科学论文的模拟搜索,这个模拟搜索的成功可以被中间层次的问题抽象匹配的良好匹配度所中介,凸显了各种可能性。AI 搜索引擎可以在不需要人类参与的情况下,实现与人在循环系统中相同的准确率,从而加速科学创新。
May, 2022
该研究通过关注数据的选择和呈现方式,研究神经网络在感知和推理原始视觉数据时如何诱导类比推理能力,并发现最健壮的类比推理能力是通过在输入域中对抽象关系结构进行对比学习而诱导的。
Jan, 2019
该研究介绍了一种基于结构映射理论的神经网络结构 —— 模拟匹配网络(Analogical Matching Network),通过融合类比与深度学习,产生了一种人工智能模型,能够有效地学习和推理,解决新问题。
Apr, 2020
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
本文提出了一个深度学习框架来解决类比检测和解决两个关键问题,并在 morphological analogical proportions 数据集上进行了测试表明优于符号方法。文章总结了之前的研究,并结合了 ANNe 和 AE 嵌入模型。最终得出该模型在绝大多数情况下都优于其他方法,并提供了使用 DL 来处理类比问题的一般指南。
Mar, 2023
本文研究了大规模预训练语言模型(如 BERT 和 GPT-2)中类比的编码。我们介绍了一个新的类比数据集(SCAN),包含跨不同领域的多个属性和关系结构的系统映射,测试了几种广泛使用的预训练语言模型(LMs)的类比推理能力。然后发现,最先进的 LMs 在这些复杂的类比任务中表现不佳,突出了类比理解仍然存在的挑战。
Nov, 2022
本研究通过探索一种更具有现实性且具有挑战性的方法,基于关系相似性来找到不同域之间的映射,使用自动提取文本中实体及其关系并进行解释性的可扩展性算法,从大量的自然语言过程文本数据集中提取类比,并证明该算法对于文本的释义具有鲁棒性。
Oct, 2022
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
本研究从认知科学研究成果出发,对类比推理的六个维度进行了规范,在寓言语料上进行了注释,并定义了四个任务来评估新型 AI 技术的可扩展性,实验结果显示现有的方法能够在有限的范围内推理类比,但需要进一步的研究来提高 AI 的综合性和可扩展性。
Jun, 2022
通过将人类语言与类比制造联系起来,我们使用大规模预训练的语言模型(PLMs)来支持人工智能系统的类比能力,将感知特征转换成语言形式,PLMs 展现出惊人的零 - shot 关系推理能力,并在 RPM 测试中接近监督的以视觉为基础的方法。
May, 2023