SIGIRMay, 2020

L2R2: 利用排名进行缺失推理

PDF
TL;DR本文提出了一种基于排序的 $L2R^2$ 方法，用于解决自然语言推理任务中的假设排序问题，并使用 ESIM 或预训练语言模型（如 BERT 或 RoBERTa）作为评分函数，实验证明，该方法取得了 ART 数据集中最先进的性能水平。
abductive natural language inferenceranking modelesim modelbertroberta
发现论文，激发创造
  • 简单尴尬：基于推断的自然语言推理性能预测

    本文提出了一种快速预测基于上下文表示的自然语言推理模型性能的方法，通过比较句子嵌入的余弦相似性，避免了费时的微调，减少了模型选择过程中的时间消耗。

    Feb, 2022

  • 语言模型是否能够执行假设式常识推理？

    本文为解决 “Abductive Reasoning” 提出了多种方法，再现了基准模型。通过此报告，发现目前的方法仍有一些局限性。

    Jul, 2022

  • 可信度排序的学习

    通过采用基于边界的损失，研究者展示了上下文编码策略的改进方式，在一系列共享的自然语言理解任务中取得了更好的表现。

    Jun, 2019

  • 假设搜索：利用语言模型进行归纳推理

    通过产生多个抽象假设并将其转化为具体的 Python 程序，进而为大型语言模型提高归纳推理能力，并利用自动生成的摘要或人工筛选的候选集来过滤生成的程序，从而在归纳推理任务中实现更高的准确性。

    Sep, 2023

  • 基于大型语言模型的自然语言生成从逻辑形式的重新排序研究

    通过提出一种新颖的生成和重新排序的方法，本研究强调大型语言模型在自然语言生成中的出色能力，并解决了从逻辑形式（LFs）生成自然语言时遇到的一些问题，该方法能够提高生成输出的语义一致性和流畅性，经过多项实验验证了其有效性。

    Sep, 2023

  • 基于跨度级别预测的逻辑推理，实现可解释且鲁棒的自然语言推理模型

    通过引入基于逻辑推理的框架，创造出基于逻辑规则的非常透明的模型决策，从而提高自然语言推理模型的可解释性和鲁棒性，并在减少数据的情况下更进一步地改善了模型性能和鲁棒性。

    May, 2022

  • 归纳常识推理

    本研究介绍了一项关于抽象推理的新研究，并提出了两个基于新数据集 ART 的任务 ——《抽象自然语言推理》和《抽象自然语言生成》。 该研究分析了当前最佳自然语言生成器的性能水平，探索了现有深度学习模型在推理能力方面的局限性，并在进一步的研究中提出了有趣的新方向。

    Aug, 2019

  • 学习作为推理：可训练的自然逻辑定理证明器用于自然语言推理

    论文介绍了一种基于逆推的推理方法 (abduction)，该方法在自然语言推理中的应用可以有效地提高定理证明器的性能，提高处理语义关系的精度。

    Oct, 2020

  • LogicRank: 逻辑诱导的生成式文本到图像系统重排序

    本研究介绍了当前文本生成图像模型的问题并提出了使用神经符号推理框架 LogicRank，以更精确的方式对当前存在的一些问题进行重新排序以便在理性化情境中的使用。

    Aug, 2022

  • 通过自然语言推理对澄清问题进行排名

    教机器提出澄清问题对于自然语言处理系统非常有用，本研究使用 Siamese BERT 模型，将 NLI 的特征运用在 StackExchange 数据集问题排序上，取得了相对于现有基线模型高达 40% 至 60% 的性能提升。

    Aug, 2020