Jun, 2023

异质语义本地通信的贝叶斯逆境地推理

PDF
TL;DR本研究提出了一种解决 SNC 中 CR 问题的框架，使用两种贝叶斯推理方法：贝叶斯反向 CR 和贝叶斯反向线性化 CR 方法，实验结果表明，贝叶斯反向线性化 CR 方法相对于贝叶斯反向 CR 方法而言，需要更少的计算量并且具有更高的推理准确性，并且基于该方法获得的异构 SNC 显示出比基于贝叶斯反向 CR 方法所获得的上下文更好的通信效果。
semantic-native communicationcontextual reasoningbayesian inferencemarkov chain monte carlolinear neural network
发现论文，激发创造
  • 具有语境推理功能的语义原生通信

    通过引入上下文推理，本文提出了一种基于语义的随机模型，用于更有效地传递信息，同时证明系统二的可靠性能够随着意义概念数量的增加而提高，并通过期望语义表示位长度来衡量提取出的有效语义，实验结果表明该模型显著缩短语义表示长度且不会影响通信可靠性。

    Aug, 2021

  • 一种基于多模态上下文推理的条件推断方法，适用于联合文本和视觉线索

    提出了一种名为 ModCR 的多模态上下文推理方法，结合文本信息和图像信息进行上下文推理，相较于之前的基于预训练视觉 - 语言模型的方法，ModCR 将给定的文本抽象语义和客观图像信息作为上下文信息，在预训练的语言模型中嵌入它们进行上下文推理，并通过引入可学习的对齐前缀将多视角语义对齐信息与语言和图形结合起来，使得该语言模型更适用于联合文本和视觉线索的多模态推理场景。

    May, 2023

  • 贝叶斯示例选择提高语音、文本和视觉多模态的上下文学习

    基于大语言模型，提出了一种用于上下文学习的贝叶斯上下文示例选择方法（ByCS），通过基于贝叶斯定理的上下文示例条件概率推理，选择准确的倒推结果来提高性能，并通过多样性和广泛的跨任务和跨模态实验证明了该方法的有效性和鲁棒性。

    Apr, 2024

  • 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

  • 通过规范化的上下文潜在交互进行对话代理的上下文检索

    通过学习上下文中不同因素之间的相关性，PK-NCLI 能够准确高效地识别相关的辅助信息，从而提升会话回应的质量，并在困惑度、知识详解和训练效率三个方面相对于现有方法 PK-FoCus 分别提升了 47.80%、30.61% 和 24.14%，且保持了相同水平的个性化依据表现。

    Dec, 2023

  • 用于上下文常识推理的对抗变换器语言模型

    本文利用 Transformer 模型及多种技巧，解决常识推理领域中缺乏可控性、训练时缺乏常识知识、推理出假命题等问题。通过引入 “提示” 技术控制推理，使用多个常识知识库进行联合推理，并运用 GAN 框架生成同时可信可控的常识命题。

    Feb, 2023

  • 一种多级有监督对比学习框架用于低资源自然语言推断

    本文提出了一种多级有监督对比学习框架 MultiSCL，该框架使用句子级和对级对比学习目标，在低资源自然语言推理任务中区分不同分类的句对。MultiSCL 采用数据增强模块和交叉注意力模块来获取对级表示，经实验证明，在低资源设置中，MultiSCL 的准确率比其他模型平均高 3.1％，且在文本分类的跨域任务中优于以前的最新方法。

    May, 2022

  • 上下文中的词汇推断语言模型

    该研究利用基于预训练语言模型的方法探究了语义词汇判断任务，并通过构建几个模型在该任务上取得了新的最优结果。

    Feb, 2021

  • 基于神经常识知识和符号逻辑规则的多跳对话推理

    本文提出了一种用于对话代理的零样本通识推理系统，可以通过基于转换器的生成通识知识库找到用户命令中未明示的假设，同时提出了一种动态问题生成策略来从人类用户中提取缺失的知识，实验表明，相比现有技术，成功率提高了 35%。

    Sep, 2021

  • DialogueCRN: 上下文推理网络用于对话中情感识别

    提出基于情绪认知理论的多轮递推式推理模块和上下文推理网络的设计，用于提取和整合情感线索以充分理解对话上下文，并在三个公共基准数据集上进行广泛实验，证明了模型的有效性和卓越性。

    Jun, 2021