ACLMay, 2023

COLA：从因果推断的角度对上下文共识进行因果推理

PDF
TL;DR本文提出了一种新的任务，即在事件序列（即上下文）中检测常识因果推论，称为上下文常识因果推理，并设计了一个零 - shot 框架：COLA（上下文常识因果关系推理器）来解决任务；实验结果表明，COLA 可以比基线更准确地检测常识因果关系。
发现论文，激发创造
  • 多视角的语境常识推理：一个新的数据集和任务

    该论文介绍了一个包含多种类型的文本解释的数据集 CICEROv2，提出了一系列的预训练目标来帮助下游任务。结果表明，该论文中的预训练目标对于预训练模型来说是有效的。

    Oct, 2022

  • ROCK：推理常识因果关系的因果推断原则

    提出了一个称为 ROCK 的新颖框架，它将常识因果推理（CCR）任务通过潜在结果框架迁移到观察研究和自然语言处理中。该框架利用时间信号作为偶然监督，通过类似于倾向得分的时间倾向性来平衡混淆效应。实现是组合和零样本且具有良好的 CCR 能力。

    Jan, 2022

  • 从时间连续图像学习上下文因果关系

    本文探讨了从视觉信号中学习上下文因果关系的可能性，提出了高质量数据集 Vis-Causal，并展示了通过好的语言和视觉表征模型和充足的训练信号，可以从视频中自动发现有意义的因果知识。

    Dec, 2020

  • CELLO: 大型视觉 - 语言模型的因果评估

    通过细致而统一的因果关系定义以及涉及人类与 / 或物体之间相互作用的显式因果图，本论文构建了一个名为 CELLO 的新数据集，并表明当前的大规模视觉语言模型在因果推理任务上依然面临困难，但可以从提出的因果启发式思维提示策略 CELLO-CoT 中获得显著的收益。

    Jun, 2024

  • 常识知识图谱上的逻辑查询复杂推理

    通过从现有的常识知识图谱（CSKG）中采样多跳逻辑查询，并使用手工规则和大语言模型进行言语化，我们提出了 COM2（复杂常识）数据集，训练于此的语言模型在复杂推理能力方面取得了显著提升，从而在问题回答和生成常识推理的任务中表现出了增强的零样本性能，而无需昂贵的人工注释。

    Mar, 2024

  • CLEVRER：用于视频表示和推理的碰撞事件

    介绍了一种新的视频数据集 CLEVRER，以组合描述、解释、预测和假设性问题的方式评估计算模型，结果表明现有的视觉推理模型在因果推理任务（解释性、预测性和假设性）方面表现不佳，需要在模型中融合语言输入和因果关系的理解。

    Oct, 2019

  • 常识因果关系的奥德赛：从基础指标到前沿推理

    通过综合 200 篇代表性文献的见解，我们的综合调查桥接了对常识因果推理的认知差距，并在共识因果关系的分类、基准、获取方法、定性推理和定量测量方面提供了系统的概述、最新研究进展、新手们的实用指南以及未来研究方向的重要提示。

    Jun, 2024

  • 通过对抗训练和数据增强改进常识因果推理

    本论文提出了多种技术手段，包括对抗训练、语言模型和数据增强等，用于提高模型在因果推理领域的性能和鲁棒性，这些方法均能使模型在 COPA 数据集上有显著改进。

    Jan, 2021

  • 针对细粒度因果推理和问答的探索

    本文介绍了一种新的精细化因果推理数据集，并在自然语言处理中提出了一系列新的预测任务，例如因果检测、事件因果提取和因果问答。作者通过大量实验和分析表明，数据集中的复杂关系对最先进的方法带来了独特的挑战，并强调了潜在的研究机会，特别是在发展 "因果思维" 方法方面。

    Apr, 2022

  • CAT: 一种基于语境的通识推理的概念化和实例化框架

    CAT 是一种语境化的概念归纳和实例化的半监督学习框架，可大规模概念化常识知识库，并通过实验证明，其获得的抽象常识知识可以显著提高常识推理建模的准确性。

    May, 2023