May, 2023

连续推理：利用连续学习在神经符号 AI 中进行非单调推理

PDF
TL;DR本文介绍一种称为连续推理的新方法，该方法将神经符号系统与知识和数据的循环学习相结合，以应对非单调推理任务，并在结果上显示了显著的改进。
neural-symbolic systemscontinual learningnon-monotonic reasoningltncommonsense reasoning
发现论文，激发创造
  • 逻辑张量网络

    本文介绍了一种名为 Logic Tensor Networks（LTN）的神经符号形式和计算模型，支持通过引入一种称为 Real Logic 的可微分一阶逻辑表示语言进行学习和推理，并说明 LTN 提供了一种统一语言来规范和计算多个人工智能任务。

    Dec, 2020

  • LLM 是古典还是非单调推理者？从通性中得到的教训

    最近的关于 LLMs 推理的学术研究提供了令人印象深刻的表现和对机器生成或人类反馈的灵活适应的证据。非单调推理对于人类认知来说至关重要，用于在现实世界中进行导航，但仍然是一个具有挑战性但研究不足的任务。我们研究了七种最先进的 LLMs 在一个抽象推理任务和一个常识推理任务中的非单调推理能力，这两个任务都涉及到如 “鸟会飞” 和 “企鹅不会飞” 等概括性陈述以及其例外情况。虽然 LLMs 表现出与人类非单调推理能力相符合的推理模式，但在支持性例子（“猫头鹰会飞”）或不相关信息（“狮子有鬃毛”）的添加时，它们无法保持对概括陈述的真实性条件的稳定信念。我们的研究结果突显了将人类推理行为归因于 LLMs 以及评估其总体能力的隐患，而一致的推理仍然难以实现。

    Jun, 2024

  • 神经符号连续学习：知识、推理快捷方式和概念复述

    我们介绍了一种神经符号连续学习的方法，其中模型必须解决一系列神经符号任务，即它必须将子符号输入映射到高级概念，并通过符合先前知识的推理计算预测。我们提出了 COOL，一种面向神经符号连续问题的概念级连续学习策略，并在三个新的基准测试中进行了实验，这表明 COOL 在其他策略失败的神经符号连续学习任务上具有持续的高性能。

    Feb, 2023

  • 神经网络理解单调性推理吗？

    本文介绍了 Monotonicity Entailment Dataset (MED)，并研究了最先进的 NLI 模型在该测试集上的表现。结果表明，这些模型的表现相当差，特别是在向下推理方面，并且数据增强方法显示这些模型的向上和向下推理的泛化能力受到限制。

    Jun, 2019

  • 选择性再学习在在线连续类比推理中增强学习

    本文研究神经网络在类比推理方面的持续学习问题，通过采用经验重演缓解类比推理的数据流不稳定性所导致的灾难性遗忘问题，并发现选择性重演能够显著提升性能。

    Mar, 2021

  • 视觉抽象推理任务的深度非单调推理

    本文提出了一种非单调计算方法来解决视觉抽象推理任务，使用 RAVEN 数据集进行测试，并与现有单调深度学习模型进行比较，结果表明，该方法比现有单调深度学习模型更加有效。

    Feb, 2023

  • 神经逻辑推理

    本文介绍了如何利用动态神经网络结构和基本逻辑操作，将深度学习和逻辑推理相结合，提出了名为 LINN 的模型，以推理方式解决推荐系统的问题，并在理论和实践任务中都取得了显著的性能提升。

    Aug, 2020

  • 非单调推理、偏好模型和累积逻辑

    本文研究了非单调推理的一般模式，并试图通过参考积极属性来绘制非单调推理领域的地图，其中集中关注一些非单调推理的后果关系，并定义和表征了五个这样的后果关系家族。

    Feb, 2002

  • 贝叶斯遇见蕴含和预测：基于非单调性、部分一致性和预测准确性的常识推理

    本文提出一种基于生成模型的逻辑推理关系，将真值的概率生成过程化，证明了该模型优于其他推理模型，同时给出了一种性能优越的分类算法。

    Dec, 2020

  • 在真实世界的环境中，使用可辩证论证和数量数据进行比较和扩展

    本研究选择计算可信度作为应用领域，评估了异议论证推理的推理能力，并将其与模糊推理和专家系统进行了比较。结果表明，与基线相比，基于异议论证的模型表现更为稳健。这项研究扩展了先前工作，从而提高了异议论证作为处理数据和知识不确定性的一种复杂方法的普适性。

    Jun, 2022