ACLJun, 2018

使用可扩展的贝叶斯偏好学习寻找有说服力的论据

PDF
TL;DR本文提出了一种可扩展的贝叶斯偏好学习方法，用于在没有黄金标准评分或排名的情况下识别有说服力的论点，通过开发一种用于高斯过程偏好学习的随机变分推理方法，发现贝叶斯方法可以有效地预测争论中的有说服力的论点，并且可以通过推广主动学习来降低所需数据的量。
bayesian preference learningconvincing argumentsstochastic variational inferencecrowdsourced dataactive learning
发现论文，激发创造
  • 可扩展的伯努利偏好学习模型应用于众包数据分析

    采用贝叶斯方法结合矩阵因式分解和高斯过程，使用输入特征来预测个人偏好和众人共识，在大量的用户、物品和成对标记的情况下利用随机变分推断方法达到可扩展性，该方法在推荐任务和自然语言处理任务上均表现优异。

    Dec, 2019

  • 探索论证质量预测的整体视角

    本文研究基于 NLP 和大量文本数据得到的自动化 argument mining，评估 argument 质量估计对于不同领域的通用性、与相关 argument mining 任务的相互作用以及情感对于观察到的 argument 强度的影响。作者发现不同领域的训练数据可以提高质量估计的泛化能力，在零样本迁移和多任务实验中，argument quality 在多个方面都能够得到改善，而情感对 argument quality 的影响不如人们普遍认为的那样大。

    May, 2022

  • 面向通用、可扩展的贝叶斯教学框架及其在主题模型中的应用

    通过基于人类教学的伪边际抽样实现机器学习的普适性教学方法，成功地在主题模型上进行训练，并在电影简介数据中验证了该方法的优势。

    May, 2016

  • 基于贝叶斯方法对齐语言模型与人类偏好

    本文提出了一种新颖的方法，名为 d-PM，采用贝叶斯框架来考虑人类偏好之间的分歧分布，并利用 d-PM 模型的偏好分数使用对比学习策略来训练自然语言生成模型，实验证明该方法在自动评估和人工评估方面一直优于之前的最佳模型。

    Oct, 2023

  • 基于扩展的抽象论证中首选项计算与验证方法

    我们提出了一种基于扩展的方法来计算和验证抽象论证系统中的偏好。我们的研究考虑了标准推理问题的逆，即在给定一个抽象论证框架和一组被证明的论证时，计算关于论证的所有可能偏好的方法和算法。我们证明了算法的正当性、完备性和终止性。该研究表明，偏好是在评估阶段（论证的可接受性）之后使用基于扩展的方法确定的，而不是事先声明的。我们的研究集中在基于地面、首选和稳定的语义上，我们发现计算偏好集的复杂度与论证数量呈指数关系，因此描述了一种近似方法和算法来计算偏好，并提供了验证所计算偏好的新算法。我们提供了算法的实施细节（源代码已提供）、用于评估算法的各种实验以及结果的分析。

    Mar, 2024

  • 大规模真相推断：Bayesian 模型用于裁决高度冗余的众包注释

    本文提出了一种基于贝叶斯图形模型的技术，用于有效地处理高度冗余注释数据，相比于多数真实推断模型，我们的方法得出了更优质的结果。

    Feb, 2019

  • 大型语言模型中的深度贝叶斯主动学习偏好建模

    通过提出一种新的随机获取策略，该模型可以在多种设置中以比以前的贝叶斯随机获取策略更少的偏好标签的情况下，在人类喜好数据集中获得 33% 至 68% 的偏好标签。

    Jun, 2024

  • 基于图高斯过程的贝叶斯半监督学习

    提出了一种基于高斯过程的贝叶斯方法对图中的半监督学习问题进行高效数据处理，与目前最先进的图神经网络相比，该模型表现出极强的竞争力，在标记稀少的主动学习实验中超越了神经网络，并且模型不需要验证数据集来控制过拟合。

    Sep, 2018

  • 通过孪生网络选择更具有说服力的证据

    本研究使用新数据集 IBM-EviConv，基于 Siamese 神经网络架构，证明其对命题具有更强的相关性，提供实验结果和实用见解。

    Jul, 2019

  • 基于贝叶斯主动学习的分类和偏好学习

    通过使用预测熵计算信息增益，我们提出了一种方法来优化高斯过程分类器的主动学习，同时也将其扩展到高斯过程偏好学习，相比其他主动学习和决策理论方法，我们的方法可以在相等或更低的计算复杂度下获得相同的实验性能。

    Dec, 2011