本研究提出了一种基于视频的推理树方法,解决常识视频问答中的虚假关联问题。该方法通过构建推理树和动态扩展,适应现有的视频和图像模型,实验结果表明其在不同基准和推理类型中表现显著。
该研究提出了一种基于知识图谱的语义推理框架,结合KagNet模型和ConceptNet资源,提升了CommonsenseQA数据集的表现。通过图卷积网络和注意机制,显著提高了常识问答的准确性,并探讨了多种知识源的集成及子图检索器的应用,解决了大型语言模型的推理问题。
研究提出了ZEBRA框架,提升大型语言模型在常识问答中的表现,减少训练和模板需求。通过检索和生成新知识,ZEBRA显著提高了准确性和可解释性,在多个基准测试中平均提升4.5个百分点。
该文综述多语言问答研究,涵盖合成数据生成、机器翻译增强、语言对抗训练与仲裁框架等方法,以提升低资源语言表现;提出MLQA跨语言评测基准;并探索利用预训练模型隐含知识及外部知识库增强常识问答,在多个数据集上取得最优结果。
该文综述常识知识图谱研究进展,涵盖文本方法提升知识图谱补全、约束型提示改善大模型生成质量(在WN18RR和FB15K237上超越先前结果)、神经符号推理器处理动态常识图谱、大规模通识推理数据集与归纳模型、半监督框架PseudoReasoner补全常识库、概率逻辑表示与层次化本体、对话代理零样本推理系统、ConceptNet关系注入UniLM提升文本生成、逻辑推理题训练预训练模型、CLEVER从图像提取常识以及CAR方法提升零样本常识问答表现。
完成下面两步后,将自动完成登录并继续当前操作。