ACLMay, 2021

NeuralLog: 使用联合神经和逻辑推理的自然语言推理

PDF
TL;DR提出了一个融合符号与深度学习方法的推理框架 NeuralLog，通过结合单调性逻辑推理引擎和神经网络语言模型进行短语对齐，并使用 beam search 算法解决 NLI 任务，实验证明该联合推理系统在 NLI 任务上提高了准确性，并可在 SICK 和 MED 数据集上实现最先进的准确性。
deep learningnatural language inferenceneurallogmonotonicity-based logical inference enginebeam search algorithm
发现论文，激发创造
  • 一种神经符号化方法用于自然语言理解

    通过启用预训练语言模型的深度神经网络，在系统 1 和系统 2 的理论支持下，实现了基于神经和符号处理的类比推理和逻辑推理，并在数值推理的两种自然语言理解任务中显著优于现有的最先进方法。

    Mar, 2022

  • 通过迭代符号细化增强大型语言模型的伦理解释

    本研究探讨如何利用混合神经符号技术来增强大型语言模型在伦理自然语言推理中的逻辑有效性和一致性，通过整合外部的向后求解器，改进逐步自然语言解释的过程，验证解释的正确性，减少不完整性和冗余性，并生成支持模型推理的形式证明，从而提高在多步伦理自然语言推理任务中解释的质量。

    Feb, 2024

  • 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

  • 基于神经符号方法的弱监督推理

    深度学习在自然语言处理 (NLP) 任务中取得了显著进展，本研究提出了一种神经符号学习方法，将符号主义和连接主义两种人工智能学派相结合，通过强化学习或其弱化版本在下游任务中实现具有符号潜在结构的神经系统的弱监督推理。该框架已成功应用于表格查询推理、句法结构推理、信息抽取推理和规则推理等各种任务。

    Sep, 2023

  • 使用生成的事实作为原子的自然语言推理的逻辑推理

    本研究提出了一种模型无关的逻辑框架，以确定每个输入中负责每个模型决策的特定信息并生成可解释的自然语言推理模型，其性能优于当前最先进的神经模型，适用于高度挑战性的 ANLI 数据集。

    May, 2023

  • 具有内省修正的神经符号自然逻辑用于自然语言推理

    本文介绍了一个基于强化学习和内省修订的神经符号自然逻辑框架，通过策略梯度对特定推断路径进行采样和奖励，并利用外部知识缓解虚假推理和训练低效问题。该模型具有内在的可解释性，在单调性推理、系统泛化和可解释性方面表现出优越能力，相对于先前的模型在现有数据集上表现更好。

    Mar, 2022

  • 对话自然语言推理

    这篇论文将对话代理的一致性作为自然语言推理 (NLI) 的任务，并创建了一个名为 Dialogue NLI 的自然语言推理数据集。通过在该数据集上训练模型，提出了一种方法来改善对话模型的一致性，用人类评估和自动指标在一套设计用来衡量对话模型一致性的评估集上进行了评估。

    Nov, 2018

  • 交互空间自然语言推断

    本文介绍了交互推断网络（IIN），一种新的神经网络架构，它通过从交互空间层次性地提取语义特征来实现对语句对的高层次理解，并展示了类似大规模 NLI 的语料库上 Densely Interactive Inference Network （DIIN）的最新性能表现，DIIN 相对于最强的发表系统在具有挑战性的 Multi－Genre NLI（MultiNLI）数据集上实现了大于 20％的误差降低。

    Sep, 2017

  • 超越传统神经网络：通过计算逻辑技术实现推理与学习能力的增加

    提出了改善知识注入过程、将机器学习和逻辑融入多智能体系统的解决方案。

    Aug, 2023

  • 探索端到端可微的自然逻辑建模

    我们提出了一种基于自然逻辑的神经网络模型，该模型使用模块网络模拟自然逻辑操作，并使用内存组件模拟上下文信息以有效建模单调性推理和聚合。实验表明，该模型可以有效地建模单调性推理，因此在聚合时得到更好的性能。

    Nov, 2020