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

该论文介绍了一种扩展的 Stochastic Answer Network 模型，添加了一个判断问题是否无法回答的二元分类器和句子定位模块，并通过实验证明其在 Stanford Question Answering Dataset (SQuAD) 2.0 数据集上具有与最先进模型相当的效果。

Sep, 2018

本文提出了堆叠式注意力网络（SAN），通过自然语言问题分析图像，发现图像问答需要多层推理，于是我们开发了多层 SAN，通过可视化的注意力层，逐层推理以定位答案相关的视觉线索，实验证明 SAN 明显优于先前的最先进方法。

Nov, 2015

该研究提出了一种基于神经网络的自然语言推理模型，使用表示学习、LSTM、注意力机制和可组成的神经网络来实现任务，并在 Stanford 自然语言推理数据集上实现了比文献中所有已发布模型更好的准确性。

Nov, 2016

本研究设计了基于 LSTM 的连锁推理模型，进一步考虑局部推理建模和推理组合的递归架构，包括句法分析信息在内，以实现更高准确性的神经网络推理模型。

Sep, 2016

本文探讨如何利用自然语言推理来验证问答系统提供的答案是否正确，并通过使用大型预训练模型和最新的数据集来构建 QA 实例的前提 - 假设配对，进而将 QA 和 NLI 数据集结合以训练 NLI 模型，以此提高 QA 模型的准确性和置信度。

Apr, 2021

本研究提出了一种基于句子转换模型的新方法，从庞大数量的大型问答数据集中自动派生自然语言推理（NLI）数据集，并展示了其将多种问答数据集成功应用于自然语言推理数据集的能力，从而新派生出包含 50 万个以上 NLI 示例的免费数据集 (QA-NLI)，展示了它呈现的推理现象的宽泛性。

Sep, 2018

本文介绍一种基于自然语言字符串的问答模型，适用于图像和结构化知识库，通过可组合模块自动组装神经网络，并通过强化学习来学习这些模块的参数，同时只需要（世界、问题、答案）三元组作为监督，我们的方法（称为动态神经模型网络）在视觉和结构化领域的基准数据集上取得了最先进的结果。

Jan, 2016

本文提出基于联合循环卷积神经网络结构的统计语言生成器，可以在不需要语义对齐或预定义语法树的情况下，训练对话行为 - 话语对。客观指标表明，在相同的实验条件下，这种新模型优于以前的方法。人类评委的评估结果表明，它产生的不仅是高质量而且是语言上多变的话语，而且与 n-gram 和基于规则的系统相比受到更多的青睐。

Aug, 2015

本文通过在神经网络框架中密切模拟问题，引入句法信息来帮助编码问题，并将不同类型的问题和共享信息建模为适应性任务，并提出适应性模型，从而在 Stanford 问题回答数据集（SQuAD）上证明这些方法可帮助获得比竞争基准更好的结果。

Mar, 2017