本文介绍了一种神经符号组合推理模型,结合语言引导的视觉推理与机器人操作。该模型通过共享技能库处理任务,使用语言解析器将查询映射为可执行程序,取得高准确性和可转移性。同时,研究探讨了大型语言模型在机器人控制中的应用,提出新框架以提升机器人操控能力,并展示了与人类互动的改进。
本文综述深度学习在抽象视觉推理(以瑞文渐进矩阵为主)的研究进展,涵盖深度神经模型、学习方法与基准集,评估性能并展望趋势。内容包括SRAN、RAISE生成解法、代数推理框架(I-RAVEN准确率93.2%)、神经符号概率演绎、潜变量规则抽象及变压器架构,并探讨偏差与泛化问题。
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。
该文综述大语言模型与符号求解器结合的研究:将自然语言问题逐步规范化为变量和方程后交由符号求解器求解,在代数问题上较PAL提升20%;Symbol-LLM通过注入符号知识平衡符号与自然语言能力;SYRELM用强化学习生成形式化表达式;Logic-LM先转符号形式再确定性求解并自我精炼,显著提升逻辑推理;此外还有生成可验证方案、自提示提高符号准确性、生成程序交由运行时执行、元推理类比学习及神经符号转换逻辑谜题等方法。
完成下面两步后,将自动完成登录并继续当前操作。