ACLJun, 2021

预测或比较：走向可解释的定性推理

PDF
TL;DR本研究通过将定性关系任务分类成预测和比较两种类型，并采用端到端训练的神经网络模块来模拟这两种推理过程，实验结果在两个问答数据集 QuaRTz 和 QuaRel 上展示了我们方法的有效性和泛化能力，并提供模块的中间输出来使推理过程更容易解释。
qualitative relationshipsneural network modulesreasoning tasksinterpretabilitygeneralization capability
发现论文，激发创造
  • 一种基于生成验证的回答定性关系问答方法

    本文通过使用 generate-validate 框架，即生成逻辑形式的自然语言描述，并验证该自然语言描述是否符合输入文本，展示了更好的迁移学习范围，相较于现有基于语义分析器的方法，本方法取得了 7.93% 的更高性能。

    Aug, 2019

  • QuaRel：回答关于定性关系问题的数据集和模型

    本文介绍了 QuaRel 数据集、适用于此类问题的简单灵活的概念框架、逻辑表达式以及用于此任务的两个新模型：第一个模型（称为 QuaSP+）在 QuaRel 上显着优于现有工具，第二个模型（QuaSP + Zero）展现了零样本能力。

    Nov, 2018

  • 基于文本关系推理的组合语言理解

    本研究提出了一种新的基准数据集和一种神经消息传递模型，该模型结合了关系归纳偏差，与传统循环神经网络方法相比，在联络推理和组合泛化方面性能优越。

    Nov, 2018

  • 一种可解释的用于多关系问题回答的推理网络

    本论文提出了一种名为可解释推理网络的模型，它采用可解释的、逐跳推理的过程来回答问题，并在两个数据集上取得了最先进的结果。

    Jan, 2018

  • 神经符号视觉推理：将 “视觉” 与 “推理” 分离

    本文提出一个框架来单独评估视觉问答（VQA）中的推理方面，同时引入一种新颖的自上而下校准技术，以使模型即使具有不完美的感知也能回答推理问题，通过在具有挑战性的 GQA 数据集上进行深入的分离比较，可以了解到众所周知的 VQA 模型参与的见解以及任务。

    Jun, 2020

  • 语言模型中的空间推理评估重新构架：定性推理的现实世界模拟基准

    我们提出了一个新的基准评估语言模型中的定性空间推理，该基准建立在逼真的三维仿真数据上，提供了一系列具有多样化房间布局、不同对象及其空间关系的详细和富有背景的叙述。我们的基准评估了先进的语言模型在空间推理方面的优势和局限性，发现它们在多跳空间推理和解释混合视角描述方面存在困难，并指出了未来改进的方向。

    May, 2024

  • 可解释的高阶视觉问答推理：一个新的基准和知识路由网络

    本研究提出了一个新的 HVQR 基准，用于评估 VQA 系统的解释能力和高阶推理能力，该基准具有多级推理、常识知识库和知识路由模块等特点，并通过大规模数据集进行验证。

    Sep, 2019

  • 使用语言模型推理复杂问题中的隐式关系

    研究现代语言理解系统面临的一个重要挑战是回答隐含推理问题，本研究通过将推理步骤的推断与执行分离，探究当前模型为何难以应对隐含推理问答任务，并构建 IMPLICITRELATIONS 基准测试，评估 GPT-3 系列模型在任务上的表现，发现这些模型在隐含推理问答任务上表现不佳，但在推断隐含关系方面表现良好。这表明隐含推理问题的挑战不仅在于需要规划推理策略，而且在于在检索和推理相关信息的同时进行推理。

    Apr, 2022

  • 分层推理用于直觉物理：向可验证的常识语言理解迈进

    本文介绍了 Tiered Reasoning for Intuitive Physics（TRIP）的概念，这是一种用于解决机器语言理解和推理方面的通用常识推理数据集。作者指出，尽管大型预训练语言模型可以在终端任务上取得高端性能，但是它们在为其预测提供有效的支持证据方面表现不佳。作者提出的 TRIP 数据集和基线结果将有助于推动常识推理的可验证评估，并促进未来开发更好的语言理解和推理模型的研究。

    Sep, 2021

  • 基于 Transformer 的方法：从非结构化文本到因果知识图谱

    本文介绍了基于 transformer 的 NLP 架构，该架构可以联合提取包括语言描述、定性因果关系、约束限定词、词义在内的知识图谱，以及说明其在真实世界中的准确性和实用性。

    Feb, 2022