ACLJun, 2021

multiPRover: 基于生成多个证明的规则推理改进可解释性

PDF
TL;DR该研究主要探讨了在自然语言事实和规则上运用语言形式推理的方法，提出了生成多个证明图以增强推理系统解释性的问题，研究了两个多 PRover 模型，分别通过多标记多 PRover 和迭代多 PRover 两种方式进行证明集的生成，结果表明在多个数据集上，模型比 PRover 模型性能更好。
linguistic formal reasoningnatural languageproof graphmultilabel classificationiterative reasoning
发现论文，激发创造
  • 段落推理的多步推理

    本文介绍了一种类似神经模块网络的组合模型，旨在对文本进行复杂的逻辑推理，通过寻找文章中相关的句子，并使用神经模块将它们链接起来，模型在 ROPES 上取得了显著的性能改进。

    Apr, 2020

  • 自然语言的多步演绎推理：基于未知分布泛化的实证研究

    本文提出了一种基于神经内存网络的迭代神经推理网络，使用门控机制进行推理，旨在解决多步推理中不平衡推理深度分布的问题，并将其应用于三个数据集上，实验结果表明该模型可以实现比 DeepLogic 和其他 RNN 基准模型更高的测试准确性，并在规则被洗牌时具有更好的超分布泛化能力。

    Jul, 2022

  • NLProlog: 自然语言问答中基于弱一致性的推理

    本文提出一种将神经网络与逻辑编程相结合的方法，用于解决自然语言处理的多跳推理问题，通过底层表示层面上的结合，使得具有逻辑规则的解释型结果可以应用于自然语言处理领域，同时在两个不同的问题回答任务上达到了竞争水平。

    Jun, 2019

  • AutoPRM：通过可控的问题分解自动化多步推理的过程监督

    本研究提出了一种自监督框架 AutoPRM，通过将复杂问题分解为可管理的子问题，并应用强化学习迭代地改进子问题的求解器，从而显著提高了数学和常识推理任务的性能。

    Feb, 2024

  • 生物医学知识图谱中基于逻辑规则的神经多跳推理

    本文针对生物数据的图形结构，以药物再利用的真实任务为例，利用强化学习和逻辑规则相结合的方法 PoLo 进行链路预测，超越了几种最先进的算法，并提供解释性。

    Mar, 2021

  • HOP, UNION, GENERATE: 可解释的无需理由监督的多跳推理

    该研究提出了一种基于概率的方法来训练可解释的多跳问答系统，该系统可以在无需基于理由的监督的情况下进行训练。该方法将理由明确建模为集合，能够在文档之间以及文档内部的句子之间进行交互和多跳推理，这种方法在选择理由方面比之前的方法更加准确。

    May, 2023

  • 可解释的多跳事实验证中一致的多粒度理由提取

    本文提出了一种基于多粒度证据提取的可解释多跳事实验证模型，采用差分掩蔽同时训练基于标记层和句子层的模型，确保提取粒度多、解释一致、证据可信。

    May, 2023

  • 学习在维基百科图上检索推理路径用于问答

    介绍了一种基于图形的循环检索方法，学习在 Wikipedia 图形上检索推理路径来回答多跳开放域问答问题。该方法在三个开放域 QA 数据集上实现了最新技术成果，特别是在 HotpotQA 中表现出显著的改进，超过了以前最好的模型 14 个百分点以上。

    Nov, 2019

  • 开放知识图谱推理的协作策略学习

    本文提出了一种利用强化学习框架开发的面向缺失事实的多跳图推理和事实提取代理的协同训练方法，以预测知识图谱中缺失的事实，从而提升可解释性推理的效果。

    Aug, 2019

  • 关于提高语言模型推理能力的进展

    本文介绍了一种名为 DiVeRSe 的方法，通过增加提示多样性和引入验证器来进一步提高大型语言模型的推理能力，成功地在八个基准测试中的六个上达到了最新的最先进性能，其中包括 GSM8K。

    Jun, 2022