神经类比匹配
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
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
本论文比较了人类视觉类比问题解决能力和三种不同的计算模型的性能,包括成分模型、连体网络和关系网络,结果显示成分模型的定性表现与人类推理者相似,而深度学习模型的表现则不如人类。
May, 2021
本文综述了人类学习、推理和适应新领域的关键能力 —— 概念抽象和类比制定,以及通过符号方法、深度学习和概率编程归纳等多种途径构建具有这些能力的 AI 系统的优势和局限性,最后提出了设计挑战任务和评估指标的几点建议,以在此领域取得量化和可推广的进展。
Feb, 2021
人类学习和认知中的类比推理被认为是核心。最近的研究比较了人类与大型语言模型(LLMs)在抽象符号操作任务(如字母串类比)上的类比推理能力。然而,这些研究在对语义有意义的符号(如自然语言词汇)进行类比推理时基本上被忽略了。这种将语言与非语言领域相关联的类比能力,我们称之为语义结构映射,被认为在语言习得和更广泛的认知发展中起着关键作用。我们在要求从一个领域向另一个领域转移语义结构和内容的类比推理任务上对人类与 LLMs 进行了测试。先进的 LLMs 在许多任务变体上与人类表现相匹配。然而,人类和 LLMs 对某些任务变体和语义干扰有不同的反应。总的来说,我们的数据表明 LLMs 在这些重要的认知任务上正在接近人类水平的表现,但还不完全接近人类。
Jun, 2024
通过探究教师语言模型在理解科学概念方面创建的类比如何帮助学生语言模型,从而使其与实际场景更加紧密地对齐,本研究结果表明,自由形式的类比确实可以帮助语言模型理解概念,并且学生语言模型生成的类比可以提高它们在科学问题回答方面的性能,展示了它们利用类比进行自我学习新知识的能力。
Jun, 2024
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
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
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
通过测试几种学习基本类比推理的方法,研究人员发现模型在少量数据情况下也能学习类比推理,并与人类基准数据集进行比较发现,经过训练后,模型接近人类表现。
Oct, 2023