Apr, 2020

超越深度：人类常识认知人工智能的范式转换

PDF
TL;DR本篇论文呼吁 AI 的下一代要拥抱类人的 “黑暗” 的常识，以解决新的任务，提出 “少数据用于大任务” 的范式，FPICU 是认知 AI 的五个核心领域，是类人智能的 “暗物质”
common senseaifpicucognitive aidark matter
发现论文，激发创造
  • 走向新常识科学

    本篇论文讨论了人工智能中普遍存在的缺乏常识与人类智能的巨大差距，提出了从更广泛的角度考虑人工智能中的常识，处理完整的认知系统，并倡导对人工智能领域的常识知识进行全新的科学探索。

    Dec, 2021

  • 不要只听，动动脑筋：利用视觉常识解决非视觉任务

    该论文探讨了图像中的视觉常识如何有助于文本任务，包括填空和视觉改写，并提出基于视觉的场景做为辅助实现对这些问题的回答，该方法表现优于基于文字的方案。

    Feb, 2015

  • 面向对话 AI 的常识推理：现有技术综述

    本论文调查了最近关于常识推理的谈话人工智能研究，列出了相关的训练数据集，并描述了在谈话人工智能中包含常识的主要方法，讨论了用于评估谈话人工智能中常识的基准，最后对两个最先进的开放对话模型 BlenderBot3 和 LaMDA 的常识能力进行了初步观察，并对自然交互产生了负面影响，进一步激发了关于常识推理在谈话人工智能中的研究。

    Feb, 2023

  • 人工智能中的快思慢想

    本研究提出借鉴认知理论以推进 AI 的研究方向，通过嵌入因果组件来获得适应性、推理能力、常识理解等人类决策能力，以期激发 AI 技术研究，进而更好地理解人类和机器智能。

    Oct, 2020

  • 使用认知神经符号系统实现高层机器推理

    我们提出通过将认知架构与外部神经符号组件相结合，使人工智能系统能够进行高层次推理，讨论生成模型在最近和未来应用中的作用。

    Nov, 2023

  • 机器学习模型是否具备常识学习能力？

    本文提出了一种框架，用于从模型的训练数据中推导出共识规则，进而量化模型学习共识的程度。通过使用基于逻辑的方法和统计推断，可以无需监督学习的方式推导出分布在数据中的共识规则，并通过测试时间适应来减少共识规则违例和产生更加连贯的预测结果。在三个不同领域的数据集和模型上进行评估，该框架生成了约 250 至 300k 条规则，并揭示了针对各自数据集的最先进模型中 1.5k 至 26k 个规则违例。测试时间适应可以将这些违例减少多达 38%，而不影响整体模型准确性。

    Mar, 2023

  • 心智与机器的交汇：揭密 GPT-4 的认知心理学

    本研究评估了 GPT-4 在常识推理问题上的表现，重点关注 CommonsenseQA 数据集中的问题，发现 GPT-4 的准确性达到 83％，虽然没有达到人类的水平，但是表现出了很好的潜力，可推动人工智能领域的发展。

    Mar, 2023

  • 深度伪造检测中的常识推理

    利用人们的常识推理对深度学习伪造进行检测，并通过 DD-VQA 任务扩展，以建模解释图像真伪的原因，提供了一个包含回答和解释的新数据集，并提出了一种基于视觉和语言的 Transformer 框架，用于解释性和跨模态的应用于深度伪造检测领域。

    Jan, 2024

  • PIQA：自然语言中关于物理常识的推理

    本文提出了物理常识推理的任务以及相应的基准数据集 PIQA。我们指出现有的预训练模型在该领域的表现较差，探究了缺失的知识维度，并为未来的研究提供了机会。

    Nov, 2019

  • 将常识推理和知识获取结合，为机器人的深度学习提供指导

    该论文提出了一种基于认知系统的深度网络模型，以探索深度网络模型内部表示和推理机制的知识表示、推理和学习挑战，并通过使用空间关系的接地和递增式的学习，以及基于非单调逻辑推理和基础常识域知识的决策，实现对场景中物品遮挡和稳定性的推理，通过识别与任务相关的图像区域训练深度网络模型来提高决策的可靠性和减少相关的训练工作量。

    Jan, 2022