Reasoning

Graph-ToolFormer: To Empower LLMs with Graph Reasoning Ability via Prompt Augmented by ChatGPT

本文是LLM系列的文章，针对《Graph-ToolFormer:ToEmpowerLLMswithGraphReasoningAbilityviaPromptAugmentedbyChatGPT》的翻译。GraphToolFormer：通过ChatGPT增强提示，赋予LLM图形推理能力摘要1引言2相关工作3记法、术语定义和问题表述4提出的方法5实验6结论7未来研究方向摘要本文旨在开发一个对复杂图形
UnknownBody·2023-09-05 23:36

GREASELM: GRAPH REASONING ENHANCED LANGUAGE MODELS FOR QUESTION ANSWERING

本文是LLM系列文章，针对《GREASELM:GRAPHREASONINGENHANCEDLANGUAGEMODELSFORQUESTIONANSWERING》的翻译。GREASELM：图推理增强的问答语言模型摘要1引言2相关工作3提出的方法：GREASELM4实验设置5实验结果6结论摘要回答关于文本叙事的复杂问题需要对所陈述的上下文和作为其基础的世界知识进行推理。然而，作为大多数现代QA系统的基
UnknownBody·2023-09-05 09:46

文献阅读：Chain-of-Thought Prompting Elicits Reasoning in Large Language Models

文献阅读：Chain-of-ThoughtPromptingElicitsReasoninginLargeLanguageModels1.文章简介2.具体方法3.实验结果1.数学推理1.实验设计2.实验结果3.消解实验4.鲁棒性考察2.常识推理1.实验设计2.实验结果3.符号推理1.实验设计2.实验结果4.结论&思考文献链接：https://arxiv.org/abs/2201.119031.文章
Espresso Macchiato·2023-09-04 18:01

Paper Reading：《LISA: Reasoning Segmentation via Large Language Model》

目录简介目标创新点方法训练实验总结简介《LISA:ReasoningSegmentationviaLargeLanguageModel》基于大型语言模型的推理分割日期：2023.8.1(v1)单位：香港中文大学，思谋科技，微软亚洲研究院论文地址：https://arxiv.org/abs/2308.00692GitHub：https://github.com/dvlab-research/LISA
热水过敏·2023-09-01 09:24

Generated Knowledge Prompting for Commonsense Reasoning

本文是知识图谱系列相关的文章，针对《GeneratedKnowledgePromptingforCommonsenseReasoning》的翻译。常识推理的生成知识提示摘要1引言2生成知识提示3实验设置4实验结果5相关工作6结论摘要结合外部知识是否有利于常识推理，同时保持预训练序列模型的灵活性，这仍然是一个悬而未决的问题。为了研究这个问题，我们开发了生成知识提示，它包括从语言模型中生成知识，然后在
UnknownBody·2023-08-30 20:53

[文献翻译]Temporal Relational Reasoning in Videos

摘要：时间关系推理是指随着时间的推移将对象或实体有意义的转换联系起来的能力，这是智能物种的基本属性。在本文中，我们介绍了一种有效且可解释的网络模块，即时间关系网络（TRN），该模块旨在学习和推理多个时间尺度上帧之间的时间依赖性。我们使用三个最近的视频数据集SomethingSomething，Jester，Charades评估了行为识别任务上TRN的网络，这些数据集基本上依赖于时间相关推理。我们的
夏迪End·2023-08-30 01:39

因果推断深度学习工具箱 - Reducing Selection Bias in Counterfactual Reasoning for Individual Treatment Effect...

(代码实现的坑待填...，日更太难了...)文章名称ReducingSelectionBiasinCounterfactualReasoningforIndividualTreatmentEffectsEstimation核心要点文章仍然关注binarytreatment情境下的CATE估计。作者通过AE结合利用PearsonCorrelationCoefficient的正则化，鼓励模型对cova
processor4d·2023-08-18 07:38

Progressive-Hint Prompting Improves Reasoning in Large Language Models

本文是LLM系列的文章，针对《Progressive-HintPromptingImprovesReasoninginLargeLanguageModels》的翻译。渐进提示改进了大型语言模型中的推理摘要1引言2相关工作3渐进提示Prompting4实验5结论6实现细节7不足与未来工作8广泛的影响9具有不同提示的模型响应摘要大型语言模型（LLM）在推理任务中的性能在很大程度上取决于提示设计，思想链
UnknownBody·2023-08-17 04:59

Beta Embeddings for Multi-Hop Logical Reasoning in Knowledge Graphs - 论文笔记

NIPS2020的一篇论文，涉及知识嵌入方法和Multi-hopQA，有完整代码作者：HongyuRen，JureLeskovecpdf：https://arxiv.org/pdf/2010.11465.pdfgithub：https://github.com/snap-stanford/KGReasoning（包含三种模型，BetaE，Query2box，GQE）0.Abstract为处理知识图
Bluestragglers·2023-08-09 14:54

React 论文《ReAct: Synergizing Reasoning and Acting in Language Models》阅读笔记

文章目录1.简介论文摘要翻译动机和主要贡献2.REACT:SYNERGIZING*RE*ASONING+*ACT*ING3.KNOWLEDGE-INTENSIVEREASONINGTASKS3.1设置3.2方法3.3结果和观察4.决策任务5.参考资料1.简介论文摘要翻译虽然大型语言模型（LLM）在自然语言理解和交互式决策制定等任务中表现出了令人印象深刻的性能，但它们的推理（例如思维链提示）和行动（
chencjiajy·2023-08-06 09:56

论文阅读《2020ICML：Inductive Relation Prediction by Subgraph Reasoning》

论文链接论文工作简介知识图谱中关系预测的主要范式涉及实体和关系的潜在表示(即嵌入)的学习和操作。然而，这些基于嵌入的方法并没有显式地捕获知识图谱背后的组合逻辑规则，并且它们仅限于直推式设置，在直推式设置中，实体的全部集合必须在训练期间已知。本文提出了一种基于图神经网络的关系预测框架GraIL，它在局部子图结构上进行推理，并具有很强的归纳偏差来学习实体独立的关系语义。如右图，LeBron和A·Dav
Jiawen9·2023-07-26 09:51

Probabilistic Reasoning

>p/ppppgnorts/gnortsp/pgnorts/gnortsp/pppgnorts/gnorts<>p<
赖头和尚·2023-07-26 08:02

文献阅读：MathPrompter: Mathematical Reasoning using Large Language Models

文献阅读：MathPrompter:MathematicalReasoningusingLargeLanguageModels1.内容简介2.方法细节3.实验内容4.结论&思考文献链接：https://arxiv.org/abs/2303.053981.内容简介这篇文章是今年3月份的时候微软提出的一篇工作，其核心的问题是优化了GPT模型在数学问题上的回答准确性。众所周知，生成模型在生成内容真实性方
Espresso Macchiato·2023-07-17 08:14

STEADY ME DAY 14

SENTENCE1051.thecompensatingadvantage补偿性优势2.thinklongandintentlyabout长时间并仔细思考3.reasoning推理leavethedooropen1
不骄不躁艰苦奋斗·2023-07-14 22:31

Bias and Toxicity in Zero-Shot Reasoning 论文略读 】

OnSecondThought,Let’sNotThinkStepbyStep!BiasandToxicityinZero-ShotReasoning论文略读INFORMATIONAbstract1Introduction2RelatedWork3Stereotype&ToxicityBenchmarks3.1StereotypeBenchmarks3.2ToxicityBenchmark4Met
小白*进阶ing·2023-06-18 07:14

论文笔记 ：Geometric Reasoning for Single Image Structure Recovery David(Orientation Map算法)(CVPR 2009)

恢复室内布局，传统方法主要分为3个步骤：线段检测和估计消失点、生成布局假设、对假设进行打分，方向图可以作为布局打分重要部分。墙角分为3类：凸角convex(+)corners.凹角concave(-)corners.遮挡角occluding(>)corners.所有房间布局可由这3种基本类别进行组合。进一步根据消失点划分3个区域(视角不同)，每个区域只有凸角、凹角、遮挡角1、遮挡角2，这4种类型的
snoopy_21·2023-06-18 03:24

Compositional Reasoning

Compositionalreasoninginsoftwareengineeringreferstothepracticeofbreakingdowncomplexsoftwaresystemsintosmaller,moremanageablecomponentsormodules,andreasoningabouttheirbehaviorandinteractionstounderstan
Tancenter·2023-06-16 05:46

“Chain of Thought Reasoning“ 和 “Chain Prompts“ 是什么

"ChainofThoughtReasoning"和"ChainPrompts"是什么1."ChainPrompts"是什么2.“ChainofThoughtReasoning”是什么1.“ChainPrompts”是什么“ChainPrompts”是指一系列相关的提示,它们之间有逻辑上的联系和依赖关系。用户需要基于前一个提示的回答来回答后一个提示。举个例子:Prompt1:你最喜欢的书是什么?用
engchina·2023-06-15 00:35

Temporal Relational Reasoning in Videos(TRN))

本文是ECCV2018的一篇有关视频动作识别的文章，作者为MIT的周博磊等人。1、介绍时序关系推理对于动作识别任务来说是重要的。一个动作可以包含几个短期的时序关系，也可能包含几个长期的时序关系。例如，短跑包括蹲在起跑线、在跑道上跑、在终点线完成这几个长期的时序关系，也包括手和脚的移动这几个短期时序关系。许多视频数据集，例如UCF101,Sport1M,THUMOS，包含的许多动作不需要长期的时序关
漫彻思特·2023-06-12 04:44

（论文阅读）Chain-of-Thought Prompting Elicits Reasoning in Large Language Models

论文地址https://openreview.net/pdf?id=_VjQlMeSB_J摘要我们探索如何生成一个思维链——一系列中间推理步骤——如何显著提高大型语言模型执行复杂推理的能力。特别是，我们展示了这种推理能力如何通过一种称为思维链提示的简单方法自然地出现在足够大的语言模型中，其中提供了一些思维链演示作为提示中的示例。对三种大型语言模型的实验表明，思维链提示提高了一系列算术、常识和符号推
茫茫人海一粒沙·2023-06-07 16:39

论文-《MUREL: Multimodal Relational Reasoning for Visual Question Answering Remi》笔记

重点翻译拓展摘要：如今在涉及真是图像的VQA任务中，多模态注意力网络时性能最好的，但是这种简单的机制不足以对复杂的推理特征或者高层次的任务进行建模。因此，我们提出了MuRel，一个能在真实图像中学习端到端推理的多模态关系网络。我们的贡献主要有两个：一是引入了MuRel单元，一种通过丰富的向量表示来对问题和图像区域间的交互进行自动推理，和对成对结合区域关系进行建模的结构；二是合并MuRel单元到Mu
Vivinia_Vivinia·2023-04-20 09:00

Language Conditioned Spatial Relation Reasoning for 3D Object Grounding【NeurIPS 2022】

文章目录动机方法实验参考文献code：https://cshizhe.github.io/projects/vil3dref.htmlauthor：巴黎文理研究院动机为了在现实世界中执行人类指令，机器人应该理解自然语言，并能够在3D环境中ground上述物体。语言表达通常是描述物体在3D场景中的relativespatialrelations来指定物体的。比如上图中的这两个例子，就要消除同一类目标
Iron_lyk·2023-04-20 09:29

Biases and Reasoning Patterns in VQA 笔记

BiasesandReasoningPatternsinVQA笔记摘要一、Evaluatingthebiasdependency二、Insearchofreasoningpatterns总结写在前面这是VQA2021workshop的第三篇，内容不多，3页，最后一页为参考文献。本文可以看做是CVPR2021上两篇文章的总结：1、RosesareRed，VioletsareBlueButShould
乄洛尘·2023-04-19 07:39

小型鸡尾酒推荐系统运行记录（github项目）

前言在github上想找案例推理实现代码，找到一个简介是基于CBR的鸡尾酒推荐代码，项目链接：vizkids/Case-Based-Reasoning-using-Python。
早知晓·2023-04-17 12:41

Language Conditioned Spatial Relation Reasoning for 3D Object Grounding【NeurIPS 2022】

文章目录动机方法实验启发参考文献code：https://cshizhe.github.io/projects/vil3dref.htmlauthor：巴黎文理研究院动机为了在现实世界中执行人类指令，机器人应该理解自然语言，并能够在3D环境中ground上述物体。语言表达通常是描述物体在3D场景中的relativespatialrelations来指定物体的。比如上图中的这两个例子，就要消除同一类
Iron_lyk·2023-04-08 01:38

论文笔记：Explainable Reasoning over Knowledge Graphs for Recommendation

1、问题背景随着推荐系统的发展，可解释性逐渐成为一个重要的研究方向，因为在推荐相关商品的时候会给出一定解释，这样可以给用户带来一定的可信度，从而提高点击率。当前可解释推荐主要有两个方向：基于path的和基于embedding的，它们各有优劣。基于path的方法，有两个主要的限制：【1】由于通常从元路径中排除关系，因此它们几乎不能指定路径的整体语义，尤其是当实体相同，但关系不同的时。【2】由于元路径
_Ustinian·2023-03-29 02:15

【三重对抗学习行人重识别】Triple Adversarial Learning and Multi-View Imaginative Reasoning

思路及创新点提出了一种用于UDApersonre-ID的三重对抗学习和多视角想象推理网络（TAL-MIRN），它由一个多视角想象推理模块（IRM）和一个三重对抗学习模块（TALM）组成。TALM由三个子模块DIFE、JDAID和FDRI组成。DIFE在相机级别提取域不变特征，JDAID实现身份和域的联合分布对齐，FDRI保证模糊外观特征的可辨别性和鲁棒性。也提出了一种称为交叉归一化（CN）的简单归
黑曜石小刀·2023-02-06 18:19

Knowledge & Reasoning 复习

算法自动图算法UninformedSearchStrategiesBreadth-FirstSearch(BFS)Depth-FirstSearch(DFS)SometimesbetterthanBFS:Uniform-CostSearchSaferDFS:Depth-LimitedSearchBestofboth:Iterative-DeepeningSearchBreadth-Firstsea
爱格白·2023-02-06 13:58

论文阅读笔记：Towards Fine-Grained Reasoning for Fake News Detection

TowardsFine-GrainedReasoningforFakeNewsDetectionauthor={Jin,YiqiaoandWang,XitingandYang,RuichaoandSun,YizhouandWang,WeiandLiao,HaoandXie,Xing},journal={arXivpreprintarXiv:2110.15064},year={2021}论文链接：h
银河小铁骑plus·2023-02-04 13:07

安装TSP求解器pyconcorde

https://github.com/machine-reasoning-ufrgs/TSP-GNN安装pyconcorde【成功】将GitHub项目pyconcorde下载到调库地址:/home/dell
carebon·2023-02-04 02:44

人工智能：一种现代方法学习笔记（第六章）——约束满足问题

CSP可分为两个子领域也就是表示（Representation）与推理（Reasoning）。表示可分为通用的及应用特点的方法；推理分为搜索与推断。
新城里的旧少年^_^·2023-01-26 12:44

推荐系统+因果推断（二）——kdd‘21用反事实推理缓解召回阶段的数据流行度偏差Model-Agnostic Counterfactual Reasoning for EliminatingPopu

Model-AgnosticCounterfactualReasoningforEliminatingPopularityBiasinRecommenderSystemhttps://dl.acm.org/doi/pdf/10.1145/3447548.3467289本文中将会用到因果推断中反事实部分的知识，具体内容可以查看之前的文章，这里就不对反事实相关内容重复叙述了。背景背景和上一篇的背景类似
夏未眠秋风起·2023-01-16 08:38

知识图谱从入门到应用——知识图谱推理：基础知识

分类目录：《知识图谱从入门到应用》总目录推理能力（Reasoning）是人类心智区别于普通物种的重要特征之一。
von Neumann·2023-01-14 10:22

论文阅读：Mucko: Multi-Layer Cross-Modal Knowledge Reasoning for Fact-based Visual Question Answering

参考连接：博客论文链接：https://arxiv.org/pdf/2006.09073代码链接：https://github.com/astro-zihao/mucko发表会议：IJCAI2020一，介绍在阅读本文之前，请先阅读下面几篇论文：论文1，AskMeAnything:Free-formVisualQuestionAnsweringBasedonKnowledgefromExternal
是尘埃呀！·2023-01-08 12:57

Differentiable Reasoning Over a Virtual Knowledge Base 基于虚拟知识库的可微推理

《DifferentiableReasoningOveraVirtualKnowledgeBase》中文名《基于虚拟知识库的可微推理》简称：DrKIT会议：ICLR2020作者：卡耐基梅隆大学谷歌研究院论文地址github关键词：虚拟知识库端到端迭代外部编码前言传统知识库WhenwastheGratefulDead’sleadsingerborn需要从知识库中检索三个实体：GratefulDead
清风2022·2023-01-08 12:57

Explicit Knowledge Incorporation for Visual Reasoning

Abstract现有的可解释的和显式的视觉推理方法只执行基于视觉证据的推理，而不考虑视觉场景之外的知识。为了解决视觉推理方法和真实世界图像的语义复杂性之间的知识差距，我们提出了第一个显式视觉推理方法，该方法结合了外部知识，并对高阶关系注意进行建模，以提高泛化能力和可解释性。具体来说，我们提出了一个知识合并网络，它为来自外部知识库的实体和谓词显式地创建和包含新的图节点，以丰富用于显式推理的场景图的语
kwang8090·2023-01-08 12:26

论文阅读 【Explicit Knowledge-based Reasoning for Visual Question Answering】CVPR2016

一．摘要：通过知识库进行视觉问答，不仅能够使用图像中不包含的概念，还可以解释推理过程。另外，本文还提供了一个新的数据集和一个新的规则来评价视觉问答方法。Motivation:之前的CNN+Lstm方法只能回答简单的问题，并且对先验信息的利用不足，最重要的LSTM只能在非常局限的语境下进行显式推理。因此本文提出Ahab,首先检测图像中的相关内容并于知识库关联；问题再转换成基于图像和知识库信息的方法，
睡觉不准打呼噜·2023-01-08 12:56

Multi-Level Knowledge Injecting for Visual Commonsense Reasoning

摘要——当浏览一幅图像时，人类可以推断出隐藏在图像中的东西，而不是视觉上明显的东西，例如物体的功能、人的意图和精神状态。然而，这种视觉推理范式对计算机来说非常困难，需要了解世界是如何工作的。为了解决这个问题，我们提出了基于常识知识的推理模型(CKRM)来获取外部知识，以支持视觉常识推理(VCR)任务，其中计算机被期望回答具有挑战性的视觉问题。我们的核心思想是:(1)通过多层次知识转移网络注入外部常
kwang8090·2023-01-08 12:56

Knowledge Graphs for Enhanced Machine Reasoning at Forge.AI

IntroductionNaturalLanguageUnderstandingatanindustrialscalerequiresanefficient,highqualityknowledgegraphfortaskssuchasentityresolutionandreasoning.Withouttheabilitytoreasonaboutinformationsemantically
Omni-Space·2023-01-08 12:55

Explainable and Explicit Visual Reasoning over Scene Graphs

背景本篇论文是南洋理工大学张含望组的工作，接收于CVPR2019摘要题为在场景图上的可解释和明确的视觉推理。作者提出的可解释和明确的神经模块(XNMs)，目标是打破在复杂的视觉推理任务中普遍使用的黑盒神经结构。XNMs仅仅由4种元类型组成，这将大大减少参数量，此外作者称设计的该种模型可以通过图注意力的方式来跟踪推理流程。方法论文既然已经提到了场景图，必然要有场景图的构造过程。场景图由图像中的obj
薛定猫的谔w·2023-01-08 12:24

Multi-level Knowledge Injecting for Visual Commonsense Reasoning

背景本篇的工作来自北大彭宇新组，论文被TCSVT接收摘要题为多级知识注入的VCR方法，作者认为计算机在推理方面弱势是由于：（1）计算机不具备人类日积月累的各种常识（2）计算机不具备认知级别的多步推理能力针对以上两点，作者提出的CKRM网络分别包括多级知识迁移网络Multi-levelknowledgetransfernetwork和基于知识的推理Knowledgebasedreasoning两个模
薛定猫的谔w·2023-01-08 12:54

Visual reasoning

1、Visualreasoning[fromRAVENCVPR19]Earlyattemptsweremadein1940s-1970sinthefieldoflogic-basedAI.NewellarguedthatoneofthepotentialsolutionstoAIwas“toconstructasingleprogramthatwouldtakeastandardintellige
神创之初·2023-01-08 12:54

论文记录：Reasoning with neural tensor networks for Knowledge Base completion

论文记录：ReasoningwithneuraltensornetworksforKnowledgeBasecompletionPaperpointsNeuraltensornetworksEntityembeddingASaveragewordembeddingsPretrainedwordembeddingvectorsusedininitializationConclusionPaperpo
zy04·2023-01-08 12:54

视觉理解论文系列(二)Heterogeneous Graph Learning for Visual Commonsense Reasoning

背景本篇的工作来自中山大学梁晓丹组，论文被NeurIPS2019接收。论文介绍到，视觉语言任务(visual-languagetask)的解决方案粗略地分成两大类型，一种是强大的端到端结构(end-to-end)，如Bert，bottom-upandtop-down模型，用于学习更加具有鉴别性的特征表示；另一种是发掘视觉对象(visualobjects)的内部联系(intra-relationsh
薛定猫的谔w·2023-01-08 12:24

论文阅读：Explicit Knowledge Incorporation for Visual Reasoning(CVPR21)

翻译一下题目：针对视觉推理的外部知识整合一句话简介：用场景图做VR（仔细VQA和VR还是不同的，就改成VR了）论文提出了两个贡献点：1.KnowledgeIncorporationNetwork，简称KI-Net，用于将外部知识图谱和场景图合并，生成更丰富的场景图2.GraphRelate模块，简称G-Relate，用于将注意力转移，以获得高维注意力1.KI-Net模型框架中的那个黄色的框。输入是
糖豆豆今天也要努力鸭·2023-01-08 12:23

Explicit Reasoning over End-to-End Neural Architectures for Visual Question Answering

论文地址：https://www.aaai.org/ocs/index.php/AAAI/AAAI18/paper/view/16446/15741摘要更多《计算机视觉与图形学》知识，可关注下方公众号：
元宇宙MetaAI·2023-01-08 12:23

谷歌：级联语言模型是通用推理系统的未来

文|ZenMoore前言相信每个NLPer心中都有对Reasoning的一片期冀。
夕小瑶·2023-01-06 10:35

GO FOR A WALK AND ARRIVE AT THE ANSWER: REASONING OVER PATHS IN KNOWLEDGE BASES USING REINFORCEMENT

MINERVA:使用强化学习对知识库中的路径进行推理摘要自动和手动构建的知识库(KB)通常是不完整的——通过综合现有信息可以从KB中推断出许多有效的事实。知识库补全的一种流行方法是通过对沿着连接一对实体的其他路径发现的信息进行组合推理来推断新关系。鉴于KB的巨大规模和路径的指数数量，以前的基于路径的模型只考虑了在给定两个实体的情况下预测缺失关系的问题，或者评估所提出的三元组的真实性。此外，这些方法
小蜗子·2023-01-05 21:30

AI研究领域有哪些？

目前人工智能的研究方向常见领域如下：1.Reasoning,problemsolving演绎、推理和解决问题：逐步推导的方式寻找更有效的算法2.Knowledgerepresentation知识表示法：
xiaoweids·2023-01-02 12:30

2021-04-19 tensorflow_datasets已经包含的数据集

Availabledatasets:-abstract_reasoning-accentdb-aeslc-aflw2k3d-ag_news_subset-ai2_arc-ai2_arc_with_ir-amazon_us_reviews-anli-arc-bair_robot_pushing_small-bccd-beans-big_patent-bigearthnet-billsum-binar
wonder_dream·2022-12-27 07:08
上一页 1 2 3 4 5 6 7 下一页
按字母分类： ABCDEFGHIJKLMNOPQRSTUVWXYZ其他