ACLMar, 2022

AdaLoGN: 基于自适应逻辑图网络的推理型机器阅读理解

PDF
TL;DR提出一种新的神经符号方法，用于解决包含逻辑推理的阅读理解题，通过输入文本单位之间的逻辑关系图，并辅以一个自适应逻辑图网络 (AdaLoGN) 来推断逻辑关系，从而实现神经和符号之间的相互加强，有效回答多项选择题。在 ReClor 和 LogiQA 上实现了完整的测试并获得了良好的实验结果。
发现论文，激发创造
  • DAGN: 面向逻辑推理的语篇感知图网络

    本文提出了一种使用基于话语的信息汇总处理逻辑推理 QA 的方法 ——DAGN，它将话语信息编码成一种图形式，并通过一个图形网络学习话语感知特征，实现了在两个 QA 数据集中具有竞争力的结果，源代码可在 https URL 上获得。

    Mar, 2021

  • 针对文本逻辑推理的话语感知图网络

    本文提出了逻辑结构约束建模的方法，通过引入针对命题单元的蕴涵或矛盾关系而非实体关系的逻辑结构来解决基于逻辑推理的问题回答任务，使用基于语篇的图网络实现了逻辑图构建和逻辑特征学习，并将基础特征与高级逻辑特征相结合，实现文本编码器的答案预测，实验结果证明该方法在三个文本逻辑推理数据集上效果显著，并且具有未见过逻辑文本的普适性。

    Jul, 2022

  • 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

  • Logiformer：一种用于解释性逻辑推理的双分支图转换器网络

    Logiformer 是采用图形变换器网络的端到端模型，具有解决逻辑推理中长距离依赖性问题和将离散逻辑结构映射到连续文本嵌入空间的优点，介绍了不同的逻辑单位抽取策略，采用动态门机制和问题感知的自我注意模块在答案预测之前更新特征，其推理过程利用逻辑单位提供了可解释性，实验证明其优于现有最先进的单一模型在两个逻辑推理基准测试上的性能。

    May, 2022

  • 逻辑指导生成的抽象推理

    该研究提出了一种基于命题逻辑的生成模型 (LoGe)，它提供了更高效的生成抽象推理答案的方法，并在 RAVEN 基准测试中超越了黑盒深度神经网络的表现。

    Jul, 2021

  • LogiGAN: 基于对抗预训练的逻辑推理学习

    LogiGAN 是一种无监督的、改进语言模型逻辑推理能力的对抗预训练框架，采用检测启发式方法自动识别大规模文本语料库中的逻辑推理现象，并通过敌对的生成 - 验证者架构来模拟学习思考过程的促进作用。实验表明，采用 LogiGAN 预训练后的语言模型在需要普遍推理能力的 12 个数据集上表现明显优于基线，揭示了逻辑在广泛推理中的基础作用以及 LogiGAN 的有效性。

    May, 2022

  • 知识图谱逻辑推理的神经方法

    本文介绍了一种使用神经网络来处理知识图谱上的多跳逻辑查询的方法，并展示了实验室中的卓越性能，该方法可以处理包括否定查询在内的全一阶逻辑查询。

    Sep, 2022

  • 通过链接话语单元和关键词建立层次推理链模型进行阅读理解

    本研究提出了一种基于全面图网络的逻辑推理方法，在上下文和单词层面处理上下文，通过层次交互机制建模节点级关系和类型级关系，以提高阅读理解系统的解释能力和理解复杂逻辑关系的能力。

    Jun, 2023

  • 利用逻辑推理和相关性评分进行检索增强型神经生成回应

    使用概率逻辑编程推演引入逻辑事实，结合基于检索的语言模型和逻辑推理的知识生成响应的新方法，在任务导向的对话系统中提高了回应的准确性和流畅性。

    Oct, 2023

  • 概率逻辑神经网络推理

    该论文提出了一种基于 Markov Logic Network 和知识图谱嵌入方法的概率逻辑神经网络 (pLogicNet) 来推理缺失的三元组，该方法结合了两种技术的优点，并通过多重知识图实验证明了其优越性。

    Jun, 2019