本研究介绍了一项关于抽象推理的新研究，并提出了两个基于新数据集 ART 的任务 ——《抽象自然语言推理》和《抽象自然语言生成》。 该研究分析了当前最佳自然语言生成器的性能水平，探索了现有深度学习模型在推理能力方面的局限性，并在进一步的研究中提出了有趣的新方向。

Aug, 2019

通过研究不寻常、意外和不太可能的情境，我们探索了非常识性推理的能力，发布了一个名为 UNcommonsense 的英语语料库，并比较人类解释者和最佳大型语言模型的表现差异，最终尝试了几种在线模仿学习算法来训练开放和易用的语言模型，在人工评估中，这些方法在常见和非常识性推理上一致降低了错误率。

Nov, 2023

本文为解决 “Abductive Reasoning” 提出了多种方法，再现了基准模型。通过此报告，发现目前的方法仍有一些局限性。

Jul, 2022

该研究旨在探讨 Transformer 网络在自然语言的事实和规则上的逻辑推理，但未充分研究其在归纳推理中的应用。AbductionRules 是一组自然语言数据集，旨在训练和测试自然语言知识库上的归纳推理的可推广性。通过 Fine-tuned 预训练过的 Transformers 模型，研究者发现模型学习了可推广的归纳推理技巧，并利用了数据结构。最后，研究者还探讨了这种方法的可行性以及未来的改进方向。

Mar, 2022

提出了一种针对知识图谱的诱导逻辑推理任务的生成模型方法，该方法使用监督学习和增强学习从观测中生成逻辑假设，并借助增强学习从知识图谱中提供更好的观测解释，实验证明该方法在三个常用知识图谱上取得了最先进的结果。

Dec, 2023

本论文提出了一种无约束解决方案，利用归纳推理计算任何机器学习模型的解释，验证了所提出方法的可伸缩性和计算出的解释的质量。

Nov, 2018

本文提出了一种基于可视信息的机器智能推理任务及对应数据集 Visual Abductive Reasoning (VAR)，并基于 VAR 数据集设计了一个基于 causual-and-cascaded reasoning Transformer 模型的强基线模型 Reasoner，用于抽象观测到的信息并推测可能的假设，实验表明 Reasoner 的性能超过多个著名的视觉语言模型，但仍远不及人类表现。

Mar, 2022

本研究证明了在使用预训练语言模型进行通识推理任务时，使用对比性的解释来完成解释提示可以提高性能并获得更准确的结果，同时提高人类可理解性。

Jun, 2021

本研究提出基于 “缺省推理” 思想的联合感知和推理框架来实现人工智能的人类水平认知能力，并建立了神经逻辑机来实现该框架。实验证明，该框架在从少量手写公式数据中学习后，能够很好地推广到复杂的新数据中，并在人工智能领域中标志着开创了一种新的研究方向。

Feb, 2018

本文提出了一种新颖的多头知识注意模型，该模型对半结构化的常识推理规则进行编码，并学习将它们纳入基于 Transformer 的推理单元中。在推理任务中，我们评估了模型在需要不同推理技能的两个任务上的表现，即推断性自然语言推理和反事实不变性预测，并展示了我们提出的模型相对于强大的最先进模型（例如 RoBERTa）在两个推理任务中的表现提高，通过扰动知识，并对模型的知识纳入能力进行定性分析，我们验证了模型推理能力的稳健性。值得注意的是，我们在最佳解释方面展示了学习执行反事实推理的模型对推断性推理任务的帮助，这在我们所知道的情况下是首次演示的。

Oct, 2020