本文提出了一种新的方法，使用最少的查询界面，采用分层查询算法来生成询问策略，以估算黑盒自主智能体的可解释性实体模型，并使用谓词分类器学习代表状态的图像的规划智能体的可解释模型。经验证明，尽管可能存在无法搜索的潜在空间，但我们的方法允许对各种黑盒自主智能体进行正确和可扩展的估算。

Dec, 2019

提出了一种利用文本的语义结构来回答多项选择题的新方法，将 QA 转化为一种满足某些全局和局部特性的最优子图的搜索问题，在科学 QA 数据集上表现良好。

Jun, 2019

本文提出基于有足实体依据的问答的好奇心算法，通过对自然语言问题的回答获得对环境物理属性和空间关系的了解，为异馆收益任务提供了宝贵的好奇心奖励，从而解决了现有好奇心算法的局限性。

Apr, 2021

通过引入几个新的挑战任务，探索了目前最先进的 QA 模型是否具有有关单词定义和词汇推理的通用知识，结果表明，基于 Transformer 的 QA 模型已经更容易识别某些结构词汇知识，但在分类结构的层次增加或更具挑战性的干扰先决条件问题涉及到的问题上存在较大的改进空间。

Dec, 2019

本文介绍了一个新的问答数据集，用于训练和评估人工智能系统在典型情况下的常识推理能力，数据集采用了家庭智慧问答秀中的问题集合，模型评估使用了生成式评估任务，并在多个基线模型中提出了挑战性的性能评估。结果表明，人类表现仍然超过模型成绩，支持任务的挑战性。

May, 2020

本研究提出一种基于问答预训练目标的预处理方法，利用编码器 - 解码器的结构来在上下文中编码问题答案，成功应用于零样本学习等多个自然语言处理任务，相比现有最佳方法提升明显。

Jun, 2021

该论文研究了使用问答的方式表示语义关系，并从三个任务的角度分析了如何最好地利用 seq2seq 预训练语言模型的威力。最终提出了一个综合文本信息的模型，并发布了具有实用性的 QASem 分析工具。

May, 2022

本文提出了一种基于视觉蕴含的选择性 - 重新排名（SAR）渐进式框架解决 VQA 模型的表面相关性问题，通过选取与图像或问题相关的候选答案，并使用视觉蕴含验证每个答案是否可信，实现了对候选答案的有效排序，从而在 VQA-CP v2 数据集上取得了 7.55％的准确率提高，达到了新的最高水平。

Jun, 2021

本文提出了一种新颖的基于语义的问题回答方法 (SEQA)，该方法使用生成模型先产生一组可能的答案，然后基于这些可能的答案和问题在语义上的相似性来选择正确的答案。该方法在无监督的情况下，通过对四个基准数据集的实验验证了其有效性和健壮性，并取得了最佳结果。

May, 2021

本文提出了一种基于知识的具身问答 (Knowledge-based Embodied Question Answering, K-EQA) 任务，其中智能体通过利用知识来探索环境以回答各种问题。为解决这一问题，本文提出了一种基于神经程序合成推理的新框架，同时进行外部知识和 3D 场景图的联合推理，以实现导航和问答。实验结果表明，该框架能够在具身环境中回答更加复杂和现实的问题，并且该方法也适用于多智能体场景。

Sep, 2021