rationale generation | BriefGPT

关键词rationale generation

搜索结果 - 9

PDSS: 大型语言模型逐步蒸馏的隐私保护框架
提出了一个基于服务器 - 客户端架构的隐私保护框架 PDSS，该框架通过逐步蒸馏大型语言模型（LLMs）解决了专业领域应用中的隐私和资源限制问题，引入了指数机制策略和编码器 - 解码器策略以平衡提示隐私和合理性可用性，并在各种文本生成任务中
PDF18 days ago
COLING通过软负采样增强多模态思维链中的语义
利用软负采样的方法减轻多模式 CoT 中幻觉问题的研究提出了一种理性生成方法（SNSE-CoT）。在传统的对比学习框架中引入了五种方法来生成高度相似但具有不同语义的软负样本，并通过双向边界损失将其应用于多模式 CoT 中，对 Science
PDF2 months ago
通过轨迹收集和过程奖励合成学习基于规划的推理
通过直接优化收集到的经验轨迹，我们提出一个基于规划的推理学习框架，以解决大型语言模型在复杂推理任务中出现的问题，并通过具体的过程奖励排名来提高生成推理过程的可靠性和可信度。
PDF5 months ago
提升小型多模态推理模型的能力以与更大的模型相匹配：自一致性训练
多模态推理中，理由生成对模型推理的准确性至关重要，本文提出了 MC-CoT，一种通过自相容性训练策略生成多个理由和答案，并通过投票选择最准确的方法，从而提高生成的理由的质量，改进多模态推理的准确性和鲁棒性。
PDF7 months ago
ChatGPT 蒸馏技术与自动化学生答案评估解释性研究
本文探讨使用 ChatGPT 模型进行学生答案自动评分和理由生成的方法，并通过引入批评模块，过滤 ChatGPT 的不正确输出并细调较小的语言模型，在学生答案评分和理由生成方面实现了更好的性能，并且能够提供更详细和易理解的评估结果，从而提供
PDFa year ago
后验解释能够提高语言模型的性能
AMPLIFY 框架使用后续解释的方法，自动生成自然语言解释以提供纠正信号，从而提高 Large Language Models 的预测准确率。
PDFa year ago
STaR: 带着推理进行推理的自举
本文提出了一种名为 Self-Taught Reasoner (STaR) 的技术，该技术利用少量的依据样本和大型没有依据的数据集迭代提高语言模型的理解和应用复杂推理的能力，通过生成推理和反馈微调模型来逐步提升模型的性能，相比于直接预测答案
PDF2 years ago
AAAI远程监督下非单调推理的理性化学习
研究如何使用先前经过训练的语言模型、神经知识模型和相关任务的远程监督等，通过训练生成解释原因的生成模型来推断自然语言解释。然而，结果表明，由于神经语言模型的基本限制，该模型生成的解释仅限于具有普遍性的陈述，而在进行推理的同时预测更新或其类型
PDF4 years ago
通过展开潜在结构实现可解释的 R-CNN
本文提出一种基于展开潜在结构的模型可解释性解释方法并以物体检测为案例运用了有向无环图模型探索 ROI 区域中潜在的部件结构并自动生成部件组合，最后在 PASCAL VOC 2007 和 2012 数据集上进行验证，结果表明其方法能够不影响性
PDF7 years ago