在这篇论文中，我们关注于一种最近的基于案例的推理方法，通过采用抽象论证的实例来支持案例推理，其中论证代表案例，论证之间的攻击来自于案例之间的结果分歧与关联概念。在这个背景下，相关性与案例的特异性形式有关。我们探讨如何通过决策树的帮助在实践中自动学习相关性，并研究在法律环境中案例推理与抽象论证（AA-CBR）以及案例相关性学习在预测方面的组合。具体而言，我们表明，在两个法律数据集中，AA-CBR 和基于决策树的案例相关性学习与决策树相比具有竞争力。我们还表明，AA-CBR 结合基于决策树的案例相关性学习具有比决策树更紧凑的表示形式，这对于获得认知可处理的解释可能是有益的。

Oct, 2023

本文提出了一种神经符号 CBE 方法，包括非参数记忆库和参数模型，能够对大型知识库中的问题进行问答，展示了在 ComplexWebQuestions 数据集上超越当前最新技术 11％的性能并显示出只需少量的人工标记示例，就能使用新案例的能力。

Apr, 2021

基于案例推理作为问题解决的方法可以使用任何适当的计算技术。该立场论文认为，案例推理研究者在近期的深度学习和大型语言模型方面存在一定的忽视。这些技术发展背后的基础为人工智能的最新突破提供了强大的协同效应，可以用于为大型语言模型提供持久性记忆，从而向人工通用智能迈进。

Oct, 2023

通过引入案例推理和扩展案例库，我们提出了一种用于解决金融文档中的数字推理问题的新方法，该方法在 FinQA 数据集上表现出竞争性能，并显示出了复杂多步骤程序的解决能力。

May, 2024

探讨人工智能对齐问题所涉及的哲学问题，明确目标并提出合理的原则方法来解决技术和规范的问题，从而达成公平的人工智能对齐。

Jan, 2020

本研究提出了一种基于事例推理的方法来评估机器学习模型预测的可信度，并通过可视化的方式呈现之前相似的情况，进一步证明了该方法对于处理欺诈检测中的机器学习警报具有实用性和易用性。

Jul, 2019

AI alignment aims to build AI systems in accordance with human intentions and values, addressing the risks of misaligned systems with superhuman capabilities through forward and backward alignment methodologies.

Oct, 2023

使用迭代自对准框架 IterAlign，通过红队测试自动发现和纠正大型语言模型的弱点，提出了一个数据驱动的基于宪法的自对准方法，能够显著改善大型语言模型的对齐性能。

Mar, 2024

本文探讨了人工智能、对齐、大型语言模型、总结模型和人类反馈等方面的方法论挑战，特别是针对训练总结文本的 LLMs。具体地，我们关注的是收集可靠人类反馈的方法，以训练奖励模型并进一步改进总结模型。结论是建议有关 LLMs 总结能力对齐研究的实验设计方面进行特定的改进。

Dec, 2022

通过借鉴类似实体在知识库中的推理路径，使用基于案例的推理系统来预测实体的属性，并引入使用路径统计量有效计算模型参数的概率性方法。在开放世界设置中，该方法的性能显著优于其他规则学习方法并与最先进的基于嵌入的方法相当。

Oct, 2020