Aug, 2023

知识表达与推理的现在与未来挑战

PDF
TL;DR知识表示与推理是人工智能领域一个核心、长期存在且活跃的领域。近年来，它在机器学习和不确定性推理等研究方面受到了挑战和补充。我们基于 Dagstuhl 工作坊的演示、专题讨论、工作小组和讨论制定了这份宣言，以阐述该领域的现状、与其他领域的关系、优势和不足，并提出了未来进展的建议。这是关于知识表示的观点宣言，包括其起源、目标、里程碑和当前重点，以及与人工智能等其他学科的关系，以及面临的挑战和未来十年的重点任务。
knowledge representation and reasoningartificial intelligencemachine learningreasoning under uncertaintydagstuhl perspectives workshop
发现论文，激发创造
  • 自然语言作为知识表示的逻辑推理：一项调查

    本文综述了一种新的逻辑推理范式，它使用自然语言作为知识表示（并使用预训练语言模型作为推理器），包括逻辑推理的哲学定义和分类、新范式的优势、基准和方法、新范式的挑战、未来的可取任务和方法以及与相关 NLP 领域的关系。这种新范式具有很好的前景，因为它不仅可以缓解正式表示的许多挑战，而且还对端到端的神经方法具有优势。

    Mar, 2023

  • 知识表示与推理的强化学习：简要综述

    该文综述了利用知识表示与推理方法在强化学习中更抽象表现和更有效学习的领域中取得的进展和应用，并讨论了未来在此领域中需要解决的挑战和可能的方向。

    Apr, 2023

  • 知识增强的神经机器推理：综述

    本文综合研究了知识增强的神经机器推理领域，分类总结了现有方法，并探讨了应用领域和未来研究前景。

    Feb, 2023

  • 大语言模型的推理能力：一项调查

    本文综述了大型语言模型在推理方面的最新研究，包括提高它们的推理能力的方法、评估它们的推理能力的基准和方法，以及这一领域之前研究的发现和意义，旨在激发有意义的讨论和未来的研究。

    Dec, 2022

  • 深度神经网络本体推理

    本研究采用最新的深度神经网络训练方法，成功开发出了一种模型，可以学会在基本本体论推理的形式下有效地进行逻辑推理，进而可以应用于许多现实世界中的问题，并且在各项实验中表现出高度准确和生物学上的可行性。

    Aug, 2018

  • ARC 数据集中知识、推理和语境的系统分类

    本文提出了一套完整的科学问题解答所需的知识和推理类型定义方法，回答 ARC 数据集中的问题需要的标注信息分布和相关统计的分析，证明了人工选取的相关句子能够提高神经机器理解模型的 42 个百分点的性能。

    Jun, 2018

  • 面向语言驱动的科学人工智能

    基于 AI 在自然语言理解和生成方面的革命性进展，我们设计了能够解决复杂科学任务的 AI 系统，并将自然语言作为 AI 与人类科学家之间的核心表示、推理和交换格式。本文旨在探讨实现这一愿景所面临的主要研究挑战。

    Oct, 2022

  • 图像理解中的知识和推理整合

    本文综述了各种代表性的推理机制、知识整合方法及其相应的图像理解应用，讨论了结合外部知识与神经网络的关键技术，并探讨了提高推理能力的潜在途径。

    Jun, 2019

  • 运用知识和推理实现类人自然语言生成：简要回顾

    本文探讨以知识为指导的自然语言生成技术，旨在产生具有人类思维方式的文本内容。作者提出了十个目标来指导智能化自然语言生成系统的发展，同时简要回顾了以知识和推理为指导的自然语言生成技术的成就。最后，作者展望了未来的发展方向和挑战。

    Dec, 2022

  • 基模型推理综述

    发展基础模型的探索性研究目前取得了最新的进展，其涉及推理任务、多模态学习和自主智能代理等未来研究方向，为人工智能的发展做出了贡献。

    Dec, 2023