ACLMay, 2022

可解释的证明生成：通过迭代反向推理实现

PDF
TL;DR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。
ibriterative backward reasoningrule-based question answeringproof generationinterpretability
发现论文，激发创造
  • 自然证明生成的概率图推理

    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。

    Jul, 2021

  • 基于知识增强的迭代式指令生成和推理应用于知识库问答

    KBIGER 是一种使用知识图谱进行动态指令生成和推理的方法，用于解决多跳知识库问答的问题，并能够检测和修正中间实体的错误预测。

    Sep, 2022

  • 迭代检索生成推理树解释

    我们提出了一种名为 IRGR 的体系结构，它结合了检索步骤和生成步骤，能够解释问题回答，生成包含先前中间结论的层级结构，并在预测方面超过先前的基准模型。

    May, 2022

  • 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

  • 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

  • CBR-iKB: 基于案例推理的不完整知识库问答方法

    提出了一种基于案例推理的方法，CBR-iKB，用于知识库问答系统，该方法可以适应不完整的知识库，通过新颖的非参数推理算法，综合多个推理链的决策，无需特定的训练或微调，达到了 100％的 MetaQA 准确度，同时在 WebQSP 下取得了 70％的准确率，超过了现有最优方法 22.3％以上。

    Apr, 2022

  • 在开放域对话系统中使用反向推理来提高响应质量

    本文提出一种双向推理的生成模型，通过向基础的编码解码模型添加后向推理步骤，推动模型产生更多信息丰富、连贯的回复，实现了双向优化，最终提升了响应质量，成为当前响应质量最好的方法之一。

    Apr, 2021

  • FaiRR: 基于自然语言的忠实且强健的演绎推理

    本研究通过定义三种模块化组件来构建信任和鲁棒性推理器，包括规则选择、事实选择和知识组合。我们提出的 FaiRR 快于现有推理数据集上的先前作品，并且对新型语言扰动具有鲁棒性。此外，与黑盒生成模型不同，FaiRR 的错误更易于解释，这是由于它采用的是模块化方法。

    Mar, 2022

  • 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

  • 基于案例推理的自然语言查询知识库

    本文提出了一种神经符号 CBE 方法，包括非参数记忆库和参数模型，能够对大型知识库中的问题进行问答，展示了在 ComplexWebQuestions 数据集上超越当前最新技术 11％的性能并显示出只需少量的人工标记示例，就能使用新案例的能力。

    Apr, 2021