ACLJul, 2021

自然证明生成的概率图推理

PDF
TL;DR本文提出了一种新方法 PRobr，利用神经文本表示并定义一个概率分布来预测答案和生成证明，能在马尔可夫随机场中考虑答案之间的互相关联性， 实验表明该方法在几种数据集上实现了高准确率和提升。
reasoningnatural languageneural-based approachesprobranswer prediction
发现论文，激发创造
  • multiPRover: 基于生成多个证明的规则推理改进可解释性

    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。

    Jun, 2021

  • 可解释的证明生成：通过迭代反向推理实现

    本文提出 IBR 模型，是一个迭代反向推理模型，用于解决基于规则的问答证明生成任务。IBR 通过迭代反向预测证明路径的节点和边缘，增强了推理过程的可解释性，同时利用节点和历史路径的详细表示进行推理，提高了推理的效率和准确性。实验结果表明，与强基线模型相比，IBR 具有更好的领域内性能和跨领域可迁移性。

    May, 2022

  • PRover: 可解释推理的证明生成系统

    我们提出了 PROVER，一种可解释的 transform-based 模型，能够同时回答基于规则的二元问题并生成相应的证明，经过实验表明，在 QA 任务中，PROVER 的证明生成精度为 87％，而在零 - shot 评估中，与 RuleTakers 相比，在 QA 任务中的表现得到保留或提高（最多提高 6％）；并在更深层次上（最多提高 15％）更好地泛化，仅使用 40％的训练数据即可获得近乎完美的 QA 准确性，但对于需要更深入推理的问题，证明生成变得具有挑战性，准确性下降到 65％，这表明未来仍有大量研究价值。

    Oct, 2020

  • 使用验证器引导搜索生成自然语言证明

    本文介绍了一种新的逐步方法 NLProofS，通过在给定假设的条件下学习生成相关步骤，从而在 NLP 中解决证明生成的问题，并在 EntailmentBank 上取得了最先进的性能。

    May, 2022

  • 自然证明器：基于语言模型的数学证明生成

    通过人工提供或查找背景参考条件，NaturalProver 能够生成数学证明，融合符号和自然语言，提高了下一步建议和生成证明的质量，在某些需要短证明的定理上具有证明能力，并且提供的下一步建议有超过 40% 的正确和有用率。

    May, 2022

  • ProoFVer: 用于事实验证的自然逻辑定理证明系统

    该论文提出 ProoFVer，使用 seq2seq 模型生成自然逻辑推理作为证明，以此决定索赔真实性，它拥有最高的标签准确性和第二优秀的 FEVER 排行榜得分，证明了它的鲁棒性。

    Aug, 2021

  • 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

  • 基于概率的案例推理用于开放世界知识图谱补全

    通过借鉴类似实体在知识库中的推理路径，使用基于案例的推理系统来预测实体的属性，并引入使用路径统计量有效计算模型参数的概率性方法。在开放世界设置中，该方法的性能显著优于其他规则学习方法并与最先进的基于嵌入的方法相当。

    Oct, 2020

  • GNN2R: 弱监督下基于知识图谱的理由提供问答

    本文提出了一种基于图神经网络的两步推理模型（GNN2R），可以在只有问题 - 最终答案对的弱监督下高效地提供最终答案和推理子图作为最终答案背后的理由，从而解决了知识图谱中基于多跳问题回答的解释生成问题。该模型在实验中表现出优于现有最先进方法的效果、效率和生成解释的质量。

    Dec, 2023

  • QA-GNN: 用语言模型和知识图谱进行问答推理

    该研究提出了一种新模型 QA-GNN，通过关联系统知识图和语言模型，实现对问题与答案之间的共同推理，并取得了在常识和生物医学领域 QA 测试中优于现有模型的表现。

    Apr, 2021