理解与知识
该研究提出了一个基于语言学、哲学、模态逻辑和自动规划的单智能体模态逻辑框架来推理关于目标导向的 “知道如何”,首先定义了一个模态语言来表达 “我知道如何保证 phi 在给定 psi 的条件下”,并给出了一个不基于标准认知模型而是标记的转换系统来表示代理人对自己的能力的了解的语义。并且给出了一个完备的证明系统来捕捉关于 “知道如何” 的有效推理模式,其中最重要的公理表明其组合性质。
May, 2015
通过集成人工智能技术,本文介绍了以知识理解和处理为重点的语义通信(SemCom)在知识学习方面的应用,尤其关注知识图谱(KGs)的利用,提出了增强型 KGs 的 SemCom 系统,并探索了在不断演化的知识库中更有效地操作的潜在方法和与大型语言模型(LLMs)进行数据增强的可能性。广泛的数值结果表明,所提出的框架在 KG 增强的解码上具有卓越的性能并展示了其在不同场景下的多功能性。
Jan, 2024
该文提出了一种通过注入领域知识的方式来改善基于文本游戏中的智能代理的实现过程,并考虑了多种不同的注入策略,包括知识图谱和输入编码策略的增强,实验结果在 ScienceWorld 文本游戏环境中得到证明。
May, 2023
通过使用情态解析器过滤新闻语料库建立蕴涵图,实验证明去除谓词中的情态修饰符(linguistic modality)可提高性能,表明在某些任务中,谓词的情态修饰在实现蕴涵证据方面是有用的(pragmatics of modal modification of predicates)。
Sep, 2021
本文提出一种新的框架,用于回答复杂问题,即将复杂问题分解成一系列简单问题,并从这些答案中计算出最终答案。实证结果表明,问题分解将在新数据集上将性能从 20.8 提高到 27.5。
Mar, 2018
本文综述了一种新的逻辑推理范式,它使用自然语言作为知识表示(并使用预训练语言模型作为推理器),包括逻辑推理的哲学定义和分类、新范式的优势、基准和方法、新范式的挑战、未来的可取任务和方法以及与相关 NLP 领域的关系。这种新范式具有很好的前景,因为它不仅可以缓解正式表示的许多挑战,而且还对端到端的神经方法具有优势。
Mar, 2023
文章介绍了学习体系如何获得和利用抽象概念结构的能力,并提供了一种最小体系结构的示例,展示了这些抽象概念结构在先前获得知识的应用中的操作有效性。
Oct, 2019