deductive reasoning | BriefGPT

关键词deductive reasoning

搜索结果 - 31

FiDeLiS：语言模型在知识图谱问答中的忠实推理
本文提出了一种检索 - 探索互动方法 FiDelis，用于处理以知识图谱为基础的推理的中间步骤。通过结合 LLMs 的逻辑和常识推理以及 KG 的拓扑连接性，我们提出了 Path-RAG 模块，用于从 KG 中检索有用的中间知识用于 LLM
PDFa month ago
人类和大型语言模型在演绎推理中的推理策略比较
该研究通过对大型语言模型在命题逻辑问题上的响应进行细致评估，利用认知心理学原理探讨了模型使用的推理策略。结果发现，大型语言模型展示出类似于人类的推理模式，包括 “解释跟踪” 和 “链式构建” 等策略。此外，该研究表明模型的架构和规模显著影响
PDF4 months ago
FGeo-DRL：通过深度增强学习进行几何问题的演绎推理
本文介绍了一个名为 FGeoDRL 的神经符号系统，用于自动执行类似人类的几何演绎推理。该系统通过强化学习建立策略网络进行定理选择，并使用蒙特卡洛树搜索进行启发式探索。实验结果表明，在形式化数据集上，FGeoDRL 实现了 86.40％的几
PDF5 months ago
大型语言模型推理中前提顺序重要性
大语言模型在各个领域中取得了非凡的推理性能。然而，在推理任务领域中，我们发现一个脆弱之处：尽管这种排序不会改变基本任务，但大语言模型对前提的排序非常脆弱。
PDF5 months ago
提升大规模语言模型在狼人杀游戏中的推理能力
本文提出了一种创新的框架，将大型语言模型（LLMs）与外部思考器模块相结合，以增强基于 LLM 的代理机构的推理能力。该框架形成了一个推理层次结构，其中 LLMs 处理直觉性的 System-1 任务，而思考器专注于需要复杂逻辑分析和领域特
PDF5 months ago
Sandra—— 基于描述和情境的神经符号推理器
这篇论文介绍了一种名为 sandra 的神经符号推理器，它将向量表示与演绎推理相结合。Sandra 利用本体论建立了一个向量空间，并对其进行推理。该推理器的几何性质使其能够与神经网络结合，弥合了符号知识表示与神经网络之间的差距。通过描述和情
PDF5 months ago
机器学习与本体论的结合：一项系统文献综述
整合归纳推理和演绎推理的过程，系统文献综述发现研究了机器学习和本体结合的文章，并将归纳推理（由机器学习执行）和演绎推理（由本体执行）结合到人工智能系统中。通过分析 128 项研究，我们找到了三个主要的机器学习和本体结合的类别：增强本体、语义
PDF6 months ago
逻辑推理解释生成
本论文研究了在演绎推理中的胜于推理论据，强调它们在法律、哲学和人工智能等领域的相关性。研究集中于利用 GPT-3.5-turbo 自动化分析这些论据，并着重于理解复杂的推理过程、生成清晰连贯的解释以及创建新颖的论据。尽管 GPT-3.5-t
PDF7 months ago
语言模型可作为逻辑求解器
LoGiPT 是一种新颖的语言模型，通过直接模拟逻辑求解器的推理过程并严格遵守求解器的语法规则，绕过分析错误，并在竞争的语言模型上表现出优异的性能。
PDF8 months ago
EMNLP对话推理的对比学习
推理，尤其是归纳过程中产生的推理，是我们通过补充发言者隐含或明示传达的信息来进行对话的重要组成部分。然而，尽管最近的大型语言模型在推理任务方面取得了显著进展，但它们在归纳推理（不是所有信息都在上下文中出现）方面的表现远远落后于演绎推理。在本
PDF8 months ago
简洁有序的感知促进大型语言模型进行演绎推理
通过引入 Concise and Organized Perception (COP) 方法，可以高效地分解复杂的演绎问题并消除冗余信息，从而在与之前的方法相比表现显著优异的同时，减少错误推理的风险。
PDF9 months ago
评估大型语言模型的推理能力
大型语言模型（LLMs）的发展促使人们对其推理和问题解决能力产生了更大的兴趣。本研究调查了几种 LLMs 是否能够解决认知科学文献中一种经典类型的演绎推理问题。研究发现，这些被测试的 LLMs 在传统形式上解决这些问题的能力有限。我们进行了
PDF10 months ago
链式推理演绎验证
我们提出了一个自然语言为基础的演绎推理格式，使语言模型能够生成明确的推理步骤，进一步增强推理步骤的严格性和可信性，并在此过程中提高复杂推理任务的正确性。
PDFa year ago
ACL生成语言模型中演绎推理的出现
本研究初步探讨了生成 Transformer 模型从给定前提中演绎推理的能力，发现其性能与训练设置和参数规模有显著差异，而且推理链的长度一般不会影响性能，除了 OpenAI GPT-3 和 GPT-3.5 模型。研究考虑了大小从 1.17
PDFa year ago
大型语言模型是上下文语义推理者而非符号推理者
本文研究了大型语言模型 LLMs 的推理能力，通过对语义从推理过程中的剥离进行实验，发现语义在 LLMs 的推理中起着至关重要的作用，但在符号逻辑和违反常识的推理任务中表现出困难。作者提出了这一发现的新视角，并呼吁深入研究 LLMs 的推理
PDFa year ago
使用 OOD 示例测试大型语言模型的普遍演绎推理能力
通过对一组广泛的演绎规则的测试，本研究构建了一个新的合成和可编程推理数据集，测试了四个不同的大型语言模型在推理能力上的推广性，结果显示它们能够通过显式证明来产生假设性子证明。
PDFa year ago
ACL通过可微分符号编程改进语言模型的逻辑推理能力
本文提出 DSR-LM 框架，通过符号编程实现不同 iable 符号推理框架，其中预训练的语言模型控制事实知识的感知，符号模块执行演绎推理，并改进了 LMs 的逻辑推理能力，结果表明其在推理基准测试中的精度提高了 20% 以上。
PDFa year ago
评估大型语言模型在高度专业化主题放射肿瘤物理学上的应用
本研究研究使用 LLMS 答题的能力。我们开发了一个包含 100 个肿瘤放射物理学问题的考试，将四个 LLM（ChatGPT（GPT-3.5），ChatGPT（GPT-4），巴德（LaMDA）和 BLOOMZ）与医学物理学家和非专业人员进行
PDFa year ago
聊天机器人作为问题解决者：通过角色逆转玩二十个问题
本文介绍一个基于 ChatGPT 的多角色、多步骤的二十问游戏挑战，研究发现在各种实验中，ChatGPT 可以在少于二十个问题（平均为 12 个问题）内猜出随机对象名称，并且在十六种不同的实验设置中正确率达到 94％。ChatGPT 在四种
PDF2 years ago
符号表示对于背景下少样本推理学习的影响
本研究的主要目标是使用预先训练的语言模型来进行推理，特别是在推理时使用解释以增强上下文学习。作者将神经符号方法重新引入到这个任务中，并将语言模型作为逻辑程序员，以在知识库中迭代推理。实验结果表明，相对于上下文学习策略， LMLP 在演绎和长
PDF2 years ago