Jul, 2023

高效自动风格下的心理形容词识别

PDF
TL;DR最近几年，常识推理在学术界引起越来越多的关注。我们提出了一个新的词汇推理任务，即心理和物理分类（MPC），用于处理推理图中的常识推理。我们通过微调 BERT 模型并采用主动学习算法来减少所需的注释资源。使用 ENTROPY 策略的模型达到了令人满意的准确性，仅需要约 300 个标记的词。我们还将结果与 SentiWordNet 进行比较，以检查 MPC 与情感分析中的主观性分类任务之间的差异。
发现论文，激发创造
  • PACS：用于物理视听常识推理的数据集

    通过构建音视频共同存在的数据集 PACS，我们首次衡量了人类执行物理力学任务的准确性，并证明了多模态（多感官）推理对于物理常识推理的重要性。

    Mar, 2022

  • 神经语言表征是否学习了物理常识？

    本文研究了目前最先进的神经语言表示在物理常识推理方面的表现，结论显示，尽管神经语言模型在各种自然语言推理任务上表现出色，但在物理常识方面仍然只能学习到现有的明确规则和关联性。

    Aug, 2019

  • PIQA：自然语言中关于物理常识的推理

    本文提出了物理常识推理的任务以及相应的基准数据集 PIQA。我们指出现有的预训练模型在该领域的表现较差，探究了缺失的知识维度，并为未来的研究提供了机会。

    Nov, 2019

  • 选择与排序多跳知识路径以更好地预测人类需求

    研究了情感分析中的常识知识对于理解表达情感的重要性，并提出了一种新方法来提取和排名人类需求的多跳关系路径，从而有效地提高了情感分类的性能。

    Apr, 2019

  • 心智与机器的交汇：揭密 GPT-4 的认知心理学

    本研究评估了 GPT-4 在常识推理问题上的表现，重点关注 CommonsenseQA 数据集中的问题，发现 GPT-4 的准确性达到 83％，虽然没有达到人类的水平，但是表现出了很好的潜力，可推动人工智能领域的发展。

    Mar, 2023

  • 一种基于预备知识库的常识推理教授预训练模型的初步方法

    通过利用 ConceptNet 中的结构化知识，构造逻辑形式并生成常识性逻辑推理的多项选择题进行训练，我们提出了一种简单而有效的方法来教授预训练模型常识性推理，实验结果表明，这种训练可以使预训练模型在需要常识性推理的任务上表现稳定提升，特别是在少样本学习设置下。

    Sep, 2019

  • 关注并非你需要的全部 —— 常识推理

    本文描述了 BERT 在常识推理任务中的简单再现，展示了 BERT 生成的关注力可以被直接用于 Pronoun Disambiguation Problem 和 Winograd Schema Challenge 这些任务，提出的基于关注力的常识推理方法在各种数据集上表现出色，超过了之前报道的最先进水平。

    May, 2019

  • 基于认知行为治疗导出的心理健康概念语言理解的深度学习

    利用深度学习和分布式表示法，基于认知行为疗法（CBT）原理定义心理健康本体论，注释大型语料库，对其进行理解，结果表明深度学习与词嵌入或句子嵌入相结合的性能显著优于非深度学习模型，此理解模块将成为提供治疗的统计式对话系统的重要组成部分。

    Sep, 2018

  • NEWTON：大型语言模型是否具备物理推理能力？

    通过评估物理推理技能的新基准数据集 NEWTON，以及针对对象与属性的推理任务，研究发现大型语言模型在场景任务中表现出强大的推理能力，但在对象 - 属性推理方面与人类相比存在欠缺（50％对比 84％），新基准数据集 NEWTON 展示了评估和提升语言模型的潜力，为将其整合到以物理为基础的环境中铺平了道路。

    Oct, 2023

  • Event2Mind：针对事件、意图和反应的常识推理

    研究探讨了一种新的常识推断任务，通过构建新的众包语料库并使用神经编码器 - 解码器模型，成功地分析先前未见过的事件并推断参与者的意图和反应，揭示了现代电影剧本中普遍存在的隐性性别不平等问题。

    May, 2018