EMNLPOct, 2021

先建立问题场景再建模，提升可反驳推理能力

PDF
TL;DR研究了神经模型是否能从构思问题场景中受益，并且在三个不同的可废除推理数据集上，我们的系统 CURIOUS 实现了新的最先进技术，这表明通过引导系统 “考虑” 问题并明确地建模场景，而不是本能地回答问题，可以提高性能。
defeasible reasoningmental modelneural modelsgraphstate-of-the-art
发现论文，激发创造
  • 为可磨折推理生成推论图提示

    本研究通过从另一个 NLP 任务中的迁移学习自动生成支持推理图谱的论证，从而改进了违背推理的人工准确性，为机器推理帮助人类推理的新应用领域开辟了有趣的新途径。

    May, 2021

  • 知识图谱中的可推翻推理

    人类知识存在不确定性、不精确性、不完整性和不一致性，这对语义网络构成了巨大的挑战。本文介绍了关于与不完美知识有关的直观符号和模型的研究，并将其与关于论证理论的先前工作联系起来。进一步的工作需要从 AIF 本体中汲取灵感，用直观的语法描述推理策略和战术。文章最后对于大语言模型时代的符号性方法进行了观察。

    Sep, 2023

  • 自动化法律中的可退后推理

    研究纠纷推理在基于规则的系统中的应用，提供了两种推理方法并将规则转换为公式。

    May, 2022

  • 认识您的异常：知识表示中的异常本体

    基于例外性和可推翻性的框架，对比四个系统，揭示从本体论角度可能出现的差异。

    Mar, 2024

  • 如果电视关闭了会怎么样？研究多模态语言模型的反事实推理能力

    我们聚焦于多模态大型语言模型的反事实推理能力进行基准测试，并通过新收集的测试数据集评估了最新的视觉语言模型和代码生成 LLMs 的能力，发现目前存在较大的发展空间。

    Oct, 2023

  • 借助因果推理增强语言理解

    本研究提出了反事实推理模型，在学习少量反事实样本的基础上，通过生成对于每个正面事实样本的代表性反事实样本，并使用回顾模块根据对比反事实和正事实样本来检查模型预测，从而模拟对于困难测试样本的人类反事实思维。该方法在情感分析和自然语言推理方面的广泛实验验证了其有效性。

    Jun, 2021

  • 反事实协作推理

    本文研究了因果推理和逻辑推理在机器智能的应用下的关系，提出了 Counterfactual Collaborative Reasoning (CCR) 方法，通过进行反事实逻辑推理对数据进行增强，提高了模型性能和透明度。实验结果表明，CCR 方法显著优于使用隐式数据增强的模型和未增强的模型，并且能够生成反事实解释，提高模型的透明度。

    Jun, 2023

  • 眼见不一定全是实情：多模态大语言模型因果推理能力的基准测试

    基于现有多模态大型语言模型 (MLLMs) 在视觉问答评测方面的认知和推理能力，我们提出了一个新的 CFMM（Counterfactual MultiModal）基准测试，以系统评估 MLLMs 的反事实推理能力，发现现有 MLLMs 往往更加倾向于相信所见而忽视问题中提到的反事实前提，因此导致了不准确的回答，同时也表明现有 MLLMs 在逼近人类智能方面仍有较大提升空间，我们还探索了通过在未来提升 MLLMs 在 CFMM 上的表现来发展具备先进智能的 MLLMs 的潜在途径。

    Apr, 2024

  • 为什么要逐步思考？推理出自于体验的本地性

    使用语言模型探究推理何时及为何有帮助，得出推理步骤的有效性取决于训练数据的统计结构和中间变量与目标推理之间的相关性。

    Apr, 2023

  • 语言模型中的概念和公正推理

    我们提出了一个新的概念化框架，迫使模型在抽象问题上进行概念推理并在可验证的符号空间中生成解决方案，使用这个框架作为分析工具，我们发现现有的大型语言模型在概念推理方面存在不足，并通过引入可信的归纳信号来改善模型的概念推理性能，实验证明我们提出的技术使模型的概念推理性能提高了 8% 至 11%，实现了一个更强大的推理系统，更少地依赖归纳偏见。

    Mar, 2024