双重任务对话语言理解的关系时序图推理
该研究提出了一种新的框架和模型，通过引入预测级交互和时态表示，实现了联合对话情感分类和行为识别任务，与现有模型相比，性能更好，需要更少的计算资源和培训时间。
Mar, 2022
我们提出了 MTGER，这是一个新颖的多视图时序图增强时间推理框架，用于对涉及时间的文档进行时间推理。通过多视图时序图，MTGER 显式地建模了事实之间的时间关系，实现了时间和论述关系的显式建模，并采用自适应融合机制捕捉两个视图之间的时间和事实信息。通过自监督时间比较目标，进一步提高了模型的隐式推理能力。实验结果表明我们的方法在 TimeQA 和 SituatedQA 数据集上的有效性，并且在问题干扰下给出了更一致的答案。
Nov, 2023
本文首次探讨了预训练语言模型在对话中的时间推理能力，并通过引入新任务 TIMEDIAL 和多项选择 cloze 测试集验证了模型的表现，同时指出模型在考虑对话上下文以及模型对于上下文中时间模式依赖性的主观推断方面存在差距，为未来时间概念建模和上下文推理方面的研究提出建议。
Jun, 2021
回答知识图谱上的问题（KGQA）是不同实际应用中实现良好性能的语言智能代理的关键。为了提高由大型语言模型（LLMs）驱动的语言智能代理在 KGQA 中的神经符号推理能力，我们提出了 DecompositionAlignment-Reasoning Agent（DARA）框架。DARA 通过高级迭代任务分解和低级任务基础形式将问题有效地解析为正式查询。重要的是，DARA 可以通过少量高质量的推理轨迹进行高效训练。我们的实验结果表明，DARA 在 LLMs 上进行微调（例如 Llama-2-7B，Mistral）在零 - shot 评估的不同基准中优于基于上下文学习的代理（如 GPT-4）和其他微调代理，从而使这样的模型在实际应用中更易访问。我们还显示出，DARA 在 KGQA 方面达到了与最先进的枚举和排名方法相当的性能。
Jun, 2024
本文提出了一种高效的时间推理图 (TRG), 用于同时捕捉视频序列之间的外观特征和时间关系。通过构建可学习的时间关系图来探索多尺度范围上的时间关系。在多头时间邻接矩阵的帮助下，提出了一个多头时间关系聚合器来提取那些通过图卷积计算的特征的语义含义。实验证明，通过我们的 TRG 进行时间关系推理可以提取用于活动识别的判别特征。
Aug, 2019
本文介绍了一种新的视觉对话模型，称为 Recurrent Dual Attention Network（ReDAN），该模型使用多步推理来回答有关图像的一系列问题，通过迭代细化来定位上下文相关的视觉和文本线索，以逐步找到正确的答案。
Feb, 2019
该研究提出了一种新的方法，将知识推理能力纳入对话系统的可扩展性和通用性中，以提高用户体验。该方法使得单一转换器模型能够直接在大规模知识图谱上进行推理，以生成响应，并通过任务导向和特定领域的对话交流进行了实证研究，证明了其有效性和高效性。
Mar, 2022
本篇论文提出了一种有效的 GCN 模块 DTGRM，用于捕获和建模视频帧之间的各个时间跨度的时间关系，并通过提出的自监督任务来增强模型的时间推理能力，这种模块在行为分割方面表现优于现有技术。
Dec, 2020
通过提出一种基于大语言模型的动态适应方法，本文研究了时间知识图谱推理中的若干挑战，包括解释性问题和适应性问题，并通过实验验证了这种方法在提高时间知识图谱推理准确性方面的有效性。
May, 2024