神经符号逆推规划引擎（NIPE）：从语言输入建模概率社交推断

ICMLJun, 2023

神经符号逆推规划引擎（NIPE）：从语言输入建模概率社交推断

The Neuro-Symbolic Inverse Planning Engine (NIPE): Modeling Probabilistic Social Inferences from Linguistic Inputs

Lance Ying, Katherine M. Collins, Megan Wei, Cedegao E. Zhang, Tan Zhi-Xuan...

TL;DR论文研究了语言对社交推理的驱动和影响，提出了一种神经符号模型来从语言输入中推断行动目标，并通过人体实验验证了该模型比单纯使用大语言模型更能准确预测人类判断。

Abstract

Human beings are social creatures. We routinely reason about other agents, and a crucial component of this social reasoning is inferring people's goals as we learn about their actions. In many settings, we can perform intuitive but reliable goal inference from language descriptions of

social reasoning language driving neuro-symbolic model probabilistic goal inference bayesian inverse planning

发现论文，激发创造

GoalNet: 从人类计划演示中推断出合取目标谓词，以用于机器人指令跟随

本研究旨在使机器人能够学习如何按照自然语言指示序列化其动作以执行任务，通过人类伙伴的成功演示。为了达到这个目的，我们引入了一种新颖的神经符号模型 GoalNet，它能够从人类演示和语言任务描述中推断目标谓词的上下文和任务依赖关系，并结合学习和规划以提高在多阶段任务中的决策能力。通过在一个表示语言变化的基准数据集上进行测试，我们证明了 GoalNet 在任务完成率上比现有基于规则的方法有了显著改进（51％）。

May, 2022

具有内省修正的神经符号自然逻辑用于自然语言推理

本文介绍了一个基于强化学习和内省修订的神经符号自然逻辑框架，通过策略梯度对特定推断路径进行采样和奖励，并利用外部知识缓解虚假推理和训练低效问题。该模型具有内在的可解释性，在单调性推理、系统泛化和可解释性方面表现出优越能力，相对于先前的模型在现有数据集上表现更好。

Mar, 2022

通过规划进行推理的消除：引导 LLMs 的非线性思维的新框架

提出了一种新的提示方法 ——Inferential Exclusion Prompting（IEP），通过排除和推理的原则引导大型语言模型（LLMs）进行非线性思考。IEP 通过前向规划和后向排除的过程更好地模拟人类的复杂思维过程，并与其他基于 Chain-of-Thought（CoT）的方法相比，能够在各种任务中持续表现出色。此外，将 IEP 和 CoT 结合起来可以进一步提高 LLMs 在某些任务上的性能，突出了混合逻辑流程所必要的。此论文还介绍了 Mental-Ability Reasoning Benchmark（MARB）作为评估人类逻辑推理能力的综合特征的新方法。

Oct, 2023

一种神经符号化方法用于自然语言理解

通过启用预训练语言模型的深度神经网络，在系统 1 和系统 2 的理论支持下，实现了基于神经和符号处理的类比推理和逻辑推理，并在数值推理的两种自然语言理解任务中显著优于现有的最先进方法。

Mar, 2022

神经符号层次规则归纳

提出一种高效、可解释的神经符号模型来解决归纳逻辑编程问题，并通过实验验证其性能。

Dec, 2021

基于神经符号方法的弱监督推理

深度学习在自然语言处理 (NLP) 任务中取得了显著进展，本研究提出了一种神经符号学习方法，将符号主义和连接主义两种人工智能学派相结合，通过强化学习或其弱化版本在下游任务中实现具有符号潜在结构的神经系统的弱监督推理。该框架已成功应用于表格查询推理、句法结构推理、信息抽取推理和规则推理等各种任务。

Sep, 2023

学习神经符号程序用于语言引导机器人操控

通过一种模块化结构，使用符号推理构造深度物体中心推理模型，从而训练出一种可以执行机器人操作的模型，此模型具有优秀的通用性和端到端的可训练性。

Nov, 2022

神经符号专家系统中可解释推理规则的动态生成

提出一种系统性推理方法，它可以生成基于事实库的人类可解释证明树。新方法使用神经语言建模、引导生成和半参数密集检索来替换手工制定的规则，从而动态实例化可解释推理规则，并在多个事实上得分。经验证的知识证明完全落实在科学 QA 数据集上。

Sep, 2022

神经符号人工智能在自然语言处理方面是否兑现其承诺？一项结构化综述

通过研究关于 Neuro-Symbolic 人工智能（NeSy）在自然语言处理中的应用，发现将逻辑编译到神经网络中的系统能够实现最佳的 NeSy 目标，呼吁更加系统化的方法和适当的基准测试用于理解该领域的发展。

Feb, 2022

通过合作的语言引导逆向规划实现务实指令遵循和目标协助

该研究介绍了合作语言引导的逆向计划搜索 (CLIPS)，这是一种贝叶斯代理架构，用于灵活、上下文敏感地遵循指令，提供目标协助。通过模型化人类为合作规划者，对动作和语言进行多模态贝叶斯推理，使用大型语言模型 (LLMs) 评估指令在假设计划下的可能性，辅助代理最小化预期目标达成成本，即使对目标存在不确定性，也能实现对模棱两可指令的实用跟踪和有效协助。在两个合作规划领域 (Doors, Keys & Gems 和 VirtualHome) 中评估了这些能力，发现 CLIPS 在准确性和帮助性方面明显优于 GPT-4V、基于 LLM 的字面指令跟踪和单模态逆向计划，并与人类评分者提供的推理和协助判断非常接近。

Feb, 2024