Mar, 2022

一种可解释的神经符号推理框架，用于任务导向的对话生成

PDF
TL;DR本文旨在研究任务驱动对话系统的可解释性，提出了一种采用前后明确逻辑推理的神经符号学方法，并设计了一种由假设生成器和推理器构成的两阶段方法来克服多跳推理带来的错误传播问题，实验结果证明该方法不仅获得了更好的效果，而且具有可解释性决策过程。
neuro-symbolictask-oriented dialogue systemsinterpretabilityexplicit reasoningtwo-phase approach
发现论文，激发创造
  • 面向对话系统的大规模可解释知识图谱推理

    该研究提出了一种新的方法，将知识推理能力纳入对话系统的可扩展性和通用性中，以提高用户体验。该方法使得单一转换器模型能够直接在大规模知识图谱上进行推理，以生成响应，并通过任务导向和特定领域的对话交流进行了实证研究，证明了其有效性和高效性。

    Mar, 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

  • 双系统神经符号推理在神经序列模型中的一致性与连贯性改进

    通过在神经序列模型（System 1）中加入逻辑推理模块（System 2），提高模型的逻辑一致性和准确性。实验表明此方法可以提高故事生成和指令执行的一致性和准确性。

    Jul, 2021

  • 神经符号训练用于空间语言推理

    通过使用神经符号技术对语言模型进行培训，可以利用推理的逻辑规则作为约束，并为模型提供额外的监督来源，以弥补由于无法达到所需的抽象水平而在未观察到的复杂输入组合中难以提供解决方案的问题。我们聚焦于文本上的空间推理这一具有挑战性的问题，通过在多个语言模型上的多个基准测试中的结果验证了基于神经符号训练的有效领域转移假设。

    Jun, 2024

  • 交互式机器人操作的混合组合推理方法

    本文介绍了一种神经符号 (混合) 组合推理模型，以将语言引导的视觉推理与机器人操作相结合。该模型通过使用共享的原始技能库以任务非特定的方式处理所有情况。通过语言解析器将输入查询映射为由这些原语组成的可执行程序取决于上下文。结果表明，该方法达到了非常高的准确性，同时可以进行少量的视觉微调，从而实现了真实场景的可转移性。

    Oct, 2022

  • 神经符号学习系统中的优化

    神经符号 AI 旨在将深度学习与符号 AI 相结合，以减少训练神经网络所需的数据量，提高模型给出答案的可解释性和可解性，并验证经过训练的系统的正确性。我们研究神经符号学习，既有使用符号语言表示的数据，也有背景知识。通过模糊推理、概率推理以及训练神经网络来连接符号和神经组件，以交流这一知识。

    Jan, 2024

  • 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

  • 神经符号人工智能在自然语言处理方面是否兑现其承诺？一项结构化综述

    通过研究关于 Neuro-Symbolic 人工智能（NeSy）在自然语言处理中的应用，发现将逻辑编译到神经网络中的系统能够实现最佳的 NeSy 目标，呼吁更加系统化的方法和适当的基准测试用于理解该领域的发展。

    Feb, 2022

  • 基础模型在神经符号学习和推理中的作用

    NeSyGPT 通过对视觉 - 语言基础模型进行微调，从原始数据中提取符号特征，并学习一个高度表达的回答集程序来解决下游任务，以提高 NeSy 任务的性能和减少数据标记和手动工程工作量。

    Feb, 2024

  • 可解释的神经符号视觉推理

    本文讨论了为非技术用户产生解释的最有效和高效的解决方案，提出了一种基于连接主义和符号范式的推理模型来解释神经网络的决策，并用一个例子演示了它的潜在用途。

    Sep, 2019