蚂蚁研究团队提出AlignXplore方法，通过强化学习动态理解用户偏好，提升个性化对齐能力。该方法通过归纳推理提炼用户行为中的偏好，逐步优化AI理解，实现高效灵活的个性化交互。
本文探讨了机器如何利用具象符号进行推理，提出了一种结合概率推理与谓词符号推理的新方法。研究表明，通过线性大小数据的联合分布，可以有效推广谓词逻辑的结果，并重新审视相关问题。
本研究解决了当前大语言模型在长上下文归纳推理评估中的不足，提出了MIR-Bench这一首个多次上下文归纳推理基准。该基准要求模型通过输入输出示例从多样数据格式中归纳输出，研究了模型在面对错误示例和思路链效应下的鲁棒性，并获得了有价值的发现。
本研究提出了一种新方法，结合归纳推理、逻辑编程和规则学习，显著提升了对“黑暗船舶”的识别效率，搜索区域小于传统方法，为海洋安全提供技术支持。
本研究解决了机器学习领域中理解神经模型输出背后的合理性这一复杂问题，尤其是在大语言模型和上下文学习的背景下。通过设计合成诊断任务，我们发现传统的输入归因方法在解释上下文学习中的归纳推理过程时存在一定的局限性，尤其较大模型的可解释性更为困难。研究表明，某些简单的输入归因方法表现最佳。
本研究探讨大型语言模型的归纳推理机制，发现模型的先验影响大于示例展示。评估三种推理策略在五个任务中的效果，结果显示去除示例时假设质量损失较小，突显了模型先验的潜力。
该文探讨了通过注入领域知识来改善文本游戏中智能代理的实现，提出了多种注入策略并在实验中验证其有效性。同时，研究分析了环境$Conan$中的主动推理，指出现有模型在积极探索和复杂场景理解方面的不足，旨在推动人工智能代理的进步。
本文探讨了归纳推理系统中的体积和能量测量，分析了计算复杂性与智能系统学习能力的关系，提出了新算法和复杂性度量，强调了人工智能在真实世界中的应用挑战及潜在性能极限。
本文评估了大型语言模型（LLMs）在逻辑推理方面的能力，发现其在归纳推理上表现优异，但在演绎推理和复杂推理任务中存在不足。通过引入LogicAsker和SolverLearner，旨在提升LLMs的推理能力，为未来研究提供新方向。
本文探讨了大型语言模型（LLMs）在推理能力上的差异，特别是归纳推理与演绎推理的区别。研究提出了新框架SolverLearner，发现LLMs在归纳推理方面表现优异，但在演绎推理，尤其是“反事实”推理任务中相对不足。这为理解LLMs的推理能力提供了新视角。
该研究评估了大型语言模型（LLMs）在逻辑推理中的能力，发现它们在归纳推理方面表现良好，但在演绎推理，尤其是反事实推理中存在不足。提出的新框架SolverLearner有助于深入理解LLMs的推理能力。
本文介绍了合成问答数据集PrOntoQA，并分析了大型语言模型（LLMs）在逻辑推理能力上的表现。研究发现，LLMs在归纳推理方面表现优异，但在演绎推理和复杂推理任务中存在不足。提出的新框架SolverLearner有助于深入理解LLMs的推理能力。
本研究探讨大型语言模型（LLMs）的推理能力，发现其在归纳推理任务中表现优异，但在规则识别和应用方面存在不足。通过构建合成数据集和逻辑训练，提升了模型的推理能力，并揭示了模型的推理偏见，强调了评估程序的重要性。
本文探讨了基于图神经网络和知识图谱的学习方法，提出了自适应传播路径和归纳推理模型，以解决新实体稀疏性问题。研究表明，这些方法在知识图谱推理中表现优越，尤其在少样本场景下，显著提升了推理能力和效率。
该研究探讨了深度学习在抽象视觉推理中的应用，提出了新模型和数据集，提升了机器智能的推理能力。通过知识转移和程序综合方法，优化了推理任务的表现，并分析了现有方法的性能，为未来研究提供了见解。
本文研究了图神经网络在知识图谱中的归纳逻辑推理方法，提出了一种基于文本编码的结构模型框架，以提高推理效率。通过结合模糊逻辑和大型语言模型，改进了推理能力，并提出了新的归纳推理模型，解决了新实体稀疏性问题。实验结果表明，该模型优于现有方法。
本文测试了5种预训练大型语言模型在图形推理问题上的表现，通过10个不同的图形遍历问题，发现了模型的限制和偏见，并提出了一种新的提示技术PathCompare，能显著提高模型性能。
为了解决图神经网络在处理大规模图时的计算挑战，提出了映射感知的图压缩（MCond）。MCond通过学习原始节点到合成节点的映射，实现高效的信息传播。实验证明，MCond在归纳推理中有效，推理速度提高了121.5倍，存储需求降低了55.9倍。
为了解决图神经网络在处理大规模图时的计算挑战，提出了映射感知的图压缩 (MCond) 方法。通过学习原始节点到合成节点的映射，将新节点整合到合成图中进行学习。MCond 在归纳推理中有效，推理速度提高了121.5倍，存储需求降低了55.9倍。
完成下面两步后，将自动完成登录并继续当前操作。
