- 推理和学习统一描绘的抽象推论
基于神经科学中贝叶斯方法对脑功能的启示,我们提出了一个简单的概率推断理论,用于统一描述推理和学习。我们通过符号逻辑中知识的可满足性模拟数据如何引发符号知识的过程,即抽象过程和选择性无知。我们讨论了推理的逻辑后果关系以及基于实验证据的 MNI - 利用反事实任务评估大型语言模型的类比推理能力
研究表明,尽管大型语言模型在类比推理方面表现出色,但它们缺乏人类类比能力的鲁棒性和普遍性。
- 通过直接两两比较方法生成思维链条以搜索最有希望的中间思想
提出了一种基于比较的链式思考生成算法,通过直接利用语言模型的嘈杂反馈,识别最有前景的思考,从而提高大型语言模型在处理复杂推理问题时的能力。
- AAAIGLaM: 通过邻域分区和生成子图编码对领域知识图的大型语言模型进行微调
我们介绍了一种用于开发图形对齐的语言模型(GLaM)的微调框架,该框架将知识图形转化为具有标签的问题 - 答案对的替代文本表示。我们证明,以特定基于图形的知识为基础的模型具有更强的结构化推理能力。我们的方法利用大型语言模型的生成能力创建数据 - 模拟对话智能在聊天中的研究工作坊发现
本文总结了开放领域对话研究中的共享任务,重点关注人类智能模拟对话的模拟和推理。
- 通过知识图谱集成协作的强化提示型 LLM 推理方案
利用大型语言模型 (LLMs) 和知识图谱 (KG) 的协作训练方法,本研究在知识图谱的指导下,通过迭代探索和选择性地检索任务相关的知识子图来支持推理,使得 LLMs 能更可靠地进行基于知识的推理,并同时明确阐述推理过程,实验结果表明本方法 - 说服性的视觉问答推理理由
通过对图像和问题对的预测答案生成视觉和文本理由,从而在零样本评估设置中实现了竞争性性能。
- LLM 多智能体系统:挑战和开放问题
该论文探讨了多智能体系统中存在的问题,并提出了挑战。通过充分利用多智能体系统中个体智能体的多样能力和角色,这些系统可以通过协作来处理复杂任务。我们讨论了任务分配的优化,通过迭代辩论来促进强大的推理能力,管理复杂且分层的上下文信息,并增强记忆 - 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。
- 利用链式抽象推理进行高效工具使用
大型语言模型需要通过链接现实世界的知识来实现与人类期望一致的准确推理。我们提出了一种新的方法,使用抽象链条进行计划,从而使语言模型能够更好地利用工具进行多步推理,并取得更高效的工具使用和更快的推理速度。
- CivRealm: 文明中的学习和推理之旅用于决策智能体
通过 CivRealm 环境,本论文介绍了决策代理的学习和推理两个基本要素,以及在互动环境中学习和推理之间的平衡问题。
- 代码提示引发了文本 + 代码模型的条件推理能力
通过将自然语言问题转化为代码并用生成的代码提示进行训练,作者发现代码提示在需要条件推理的多个数据集上提高了 2.6 到 7.7 个 GPT 3.5 的绩效,并且观察到代码提示需要包含自然语言文本和高质量代码,以及其触发更优的变量或关键实例的 - 知识金字塔:一种用于广义知识增强和推理的新型层次化推理结构
该论文提出了一种基于知识金字塔的推理方法,通过新的知识增强策略提高了知识图谱的泛化能力,实验结果表明,该方法在医学数据集上提高了知识推理性能和泛化能力。
- 在动态知识图谱中实现基于 SPIN 的描述时态动态算法的策略
计划和推理是最近逻辑和计算机科学研究中的重要问题,本研究提出了一种将行为嵌入到描述逻辑(DL)中的框架,用于表示和推理行为,并提出了一种算法来处理行动的各种情况。
- REBUS: 理解符号的稳健评估基准
我们提出了一个新的基准,用于评估多模态大型语言模型在谜题上的表现。该数据集包含 333 个原始的图像类文字游戏示例,包括电影、作曲家、主要城市和食物等 13 个类别。为了在评估被提示的单词或短语的基准上取得良好的性能,模型必须结合图像识别和 - 基于上下文和检索增强推理的单一代理两步提示的证据生成(E2G)
通过引入 E2G 方法,基于证据的推理框架,可以解决现有的 CoT 提示方法的局限性,提高 LLM 推理过程的准确性和效率。该方法在知识密集型任务中取得了显著结果,优于基准方法和现有的 LLM 模型。
- 自动驾驶的视觉语言规划
自主驾驶中的场景理解和推理是复杂而具有挑战性的任务。本文提出了一种新颖的 Vision-Language-Planning(VLP)框架,通过利用自然语言模型来弥合语义理解和自主驾驶之间的鸿沟,从而增强自动驾驶系统的规划性能,提高在挑战性场 - 知识导航器:利用大型语言模型增强知识图推理
本文提出了一种名为 KnowledgeNavigator 的新型框架,通过从知识图中高效准确地检索外部知识并将其作为增强 LLM 推理的关键因素,以解决 LLM 在需要长逻辑链或复杂推理的场景中所存在的幻觉和知识限制的问题。通过对给定问题的 - SI-MIL: 驯服千兆像素组织病理学中深度无监督学习的自解释性
为了提高对 Whole Slide Image(WSI)分析中多实例学习(MIL)方法的解释性和推理能力,我们提出了一种自解释的 MIL 方法(SI-MIL),它通过深度 MIL 框架引导一个基于手工制作的病理特征的可解释分支,从而实现线性 - 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。