在线免费看片a欧美,午夜AV不卡网站在线播放,久久综合尹人77777,96国产在线分享

谷歌發(fā)布全新向推理算法 LAMBADA，無懼搜索空間炸！自動(dòng)推理對(duì)算是自然語處理領(lǐng)域的一難題，模型需根據(jù)給定的前和知識(shí)推導(dǎo)出效且正確的結(jié)。盡管近年來 NLP 領(lǐng)域借著大規(guī)模預(yù)訓(xùn)語言模型在各「自然語言理」如閱讀理解問答等任務(wù)中得了極高的性，但這些模型邏輯推理方面性能仍然十分后。去年 5 月「思維鏈」Chain of Thought, CoT）橫空出世，研究人員發(fā)現(xiàn)只需要在 prompt 中加入「Let's think step by step」就能讓 GPT-3 的推理性能大幅提升，朏朏在 MultiArith 中就將推理準(zhǔn)確從之前的 17.7% 一下提升到了 78.7%但諸如 CoT 和 Selection Inference 等方法都是以前向（forward direction）的方式從公理（axioms）中搜索證明過程（proof）以推導(dǎo)出最終結(jié)論（conclusion），存在搜索空間組合爆炸問題，因此對(duì)較長(zhǎng)的推理鏈失敗率較高。近，Google Research 開發(fā)了一種反向鏈（Backward Chaining）算法 LAMBADA（LAnguage Model augmented BAckwarD chAining），將經(jīng)典推文獻(xiàn)中得出的反向推理效率顯高于前向推」這一結(jié)論應(yīng)于語言模型（LM）中。論文鏈接：https://arxiv.org/ abs / 2212.13894LAMBADA 將推理過程分解為四個(gè)模塊，每個(gè)模都由 few-shot prompted 語言模型推理現(xiàn)。最終 LAMBADA 相比當(dāng)下 sota 的前向推理方法在兩個(gè)邏推理數(shù)據(jù)集上現(xiàn)了顯著的性提升，特別是問題要求深度準(zhǔn)確的證明鏈況下，LAMBADA 的性能提升更加明顯「反向推理」版本答案？邏推理，特別是非結(jié)構(gòu)化自然本的邏輯推理是構(gòu)建自動(dòng)知發(fā)現(xiàn)的基礎(chǔ)構(gòu)，也是未來各科學(xué)領(lǐng)域進(jìn)步關(guān)鍵。雖然許 NLP 任務(wù)的發(fā)展都受益預(yù)訓(xùn)練語言模不斷擴(kuò)大的規(guī)，但根據(jù)觀察提升模型的尺對(duì)解決復(fù)雜推問題的提升十有限。在經(jīng)典獻(xiàn)中，有兩種要的邏輯推理法：1、前向鏈?zhǔn)酵评恚‵orward Chaining, FC），即從事實(shí)和規(guī)則出，在做出新的理并將其加入論之間進(jìn)行迭，直到目標(biāo)陳可以被證明或翻；2、后向鏈?zhǔn)酵评恚˙ackward Chaining, BC），即從目標(biāo)出發(fā)，其遞歸分解為目標(biāo)，直到子標(biāo)可以根據(jù)事被證明或推翻以前用語言模進(jìn)行推理的方大多采用前向式推理的思路要求從整個(gè)集中選擇一個(gè)事和規(guī)則的子集這對(duì) LM 來說可能是困難，因?yàn)樗枰?一個(gè)大的空間進(jìn)行組合搜索此外，決定何停止搜索并宣證明失敗在 FC 中也是非常困難的，有時(shí)至需要一個(gè)專對(duì)中間標(biāo)簽進(jìn)訓(xùn)練的模塊。實(shí)上，經(jīng)典的動(dòng)推理文獻(xiàn)在大程度上偏重后向鏈?zhǔn)酵评?目標(biāo)導(dǎo)向的求策略。LAMBADALAMBADA 意為「反向鏈?zhǔn)郊夹g(shù)強(qiáng)的語言模型，研究人員通實(shí)驗(yàn)證明了 BC 更適合于基于文本的演繹輯推理（deductive logical reasoning）。BC 不需要大量的組合搜索來選子集，而且有自然的停止搜標(biāo)準(zhǔn)（halting criteria）。LAMBADA 主要專注于對(duì)事實(shí)進(jìn)行自動(dòng)理，即自然語斷言，如「好是紅色的」，些斷言是連貫（coherent），但不一定基于真實(shí)情。一個(gè)規(guī)則由然語言聲明編，形式上可以寫為「如果 P 那么 Q」，例如「粗暴的人是紅色的」Rough, nice people are red）可以改寫為「如一個(gè)人是粗暴好人，那么他是紅色的」（If a person is rough and nice, then they are red）。其中 P 被稱為規(guī)則的前項(xiàng)antecedent），Q 被稱為規(guī)則的項(xiàng)（consequent）。一個(gè)理論 theory C 由事實(shí) F={f1, f2, . . , fn} 和規(guī)則 R={r1, r2, . . , rm} 組成，G 代表一個(gè)想根據(jù)實(shí)和規(guī)則來證或反駁的目標(biāo)例 1、一個(gè)帶有虛構(gòu)角色和則的理論實(shí)例 CF={"菲奧娜是好人"，"菲奧娜是粗人"}R={"如果某人很聰明，么他就是好人"，"粗暴的好人是紅色的"，"作為好人和紅意味著他是圓"}。基于上述理論，人們可想證明或反駁個(gè)目標(biāo)，如「奧娜是紅色的」。后向鏈法理一條規(guī)則是適用于一個(gè)目，是通過邏輯中的一個(gè)叫做 unification 的操作來確定的。如，對(duì)于例 1 中的目標(biāo)「Fiona 是紅色的？」，第條規(guī)則的后果目標(biāo)相同，所可以適用；但外兩條規(guī)則的果不同，所以適用?？紤]例 1 中的理論和目標(biāo)，BC 從目標(biāo)「Fiona 是紅色的？」開始推理。先，BC 驗(yàn)證該目標(biāo)是否可從任何事實(shí)中證明或反駁。于沒有任何事可以證明或反這個(gè)目標(biāo)，所接下來會(huì)驗(yàn)證個(gè)目標(biāo)是否與何規(guī)則的結(jié)果統(tǒng)一，結(jié)果發(fā)它與第二條規(guī)「粗糙的好人紅色的」相統(tǒng)。因此，該目可以被分解成個(gè)子目標(biāo)：1）菲奧娜是粗暴嗎？和 2）菲奧娜是好人嗎。由于這兩個(gè)目標(biāo)都可以從實(shí)中得到證明BC 的結(jié)論是原始目標(biāo)可以到證明。對(duì)于個(gè)目標(biāo)，BC 的結(jié)果要么是明，要么是否，要么是不知（例如目標(biāo)「奧娜很聰明？）。LAMBADA 中的語言模型為了將 BC 用于基于文本的推理，研人員引入了四基于 LM 的模塊：事實(shí)檢（Fact Check）、規(guī)則選擇（Rule Selection）、目標(biāo)分解（Goal Decomposition）和符號(hào)一致性（Sign Agreement）。事實(shí)檢查給出理論蜚一組事實(shí) F 和一個(gè)目標(biāo) G，事實(shí)檢查模驗(yàn)證是否存在個(gè)事實(shí) f∈F，使得 f 包含 G（在這種情況下，目標(biāo)證明）或者 f 包含 G 的否定（在這種況下，目標(biāo)被定）。如果找到這樣的事實(shí)那么 G 的真相仍然是未知。事實(shí)檢查的現(xiàn)包括兩個(gè)子塊：第一個(gè)子塊從與目標(biāo)最關(guān)的事實(shí)集中擇一個(gè)事實(shí)，二個(gè)子模塊根這個(gè)事實(shí)來驗(yàn)目標(biāo)是否可以證明或否定。于事實(shí)選擇子塊在第一次嘗時(shí)可能無法確最佳的事實(shí)，果在調(diào)用子模一輪后，目標(biāo)真相仍然未知可以刪除所選事實(shí)，然后再調(diào)用子模塊；個(gè)過程可以重多次。規(guī)則選給出理論中的組規(guī)則 R 和一個(gè)目標(biāo) G，規(guī)則選擇模塊定規(guī)則 r∈R，使 r 的結(jié)果與 G 相統(tǒng)一，然后用這規(guī)則將目標(biāo)分為子目標(biāo)。如不能確定這樣規(guī)則，那么 G 的真相仍然是未知的。規(guī)則擇同樣包括兩子模塊：第一子模塊確定每規(guī)則的結(jié)果（目標(biāo)無關(guān)），二個(gè)子模塊將則的結(jié)果和目作為輸入，并定哪一個(gè)與目相統(tǒng)一。需要意的是，由于 BC 的遞歸性質(zhì)，規(guī)則選擇塊在證明一個(gè)標(biāo)的過程中可會(huì)被多次調(diào)用由于識(shí)別每條則的結(jié)果與目無關(guān)，這個(gè)子塊只需要被調(diào)一次。目標(biāo)分給定一個(gè)規(guī)則 r 和一個(gè)目標(biāo) G，使 r 的結(jié)果與 G 統(tǒng)一，目標(biāo)分模塊確定需要明的子目標(biāo)，使 G 被證明或被否定。在功證明 r 的前項(xiàng)的情況下目標(biāo)是被證明是被否定取決目標(biāo)的符號(hào)（sign）是否與 r 的結(jié)果符號(hào)一致。例如于目標(biāo)「Fiona 是紅色的？」，由于目的符號(hào)與第二規(guī)則的結(jié)果符一致，并且規(guī)的前項(xiàng)被證明可以得出結(jié)論目標(biāo)被證明。號(hào)一致性給定個(gè)規(guī)則 r 和一個(gè)目標(biāo) G，符號(hào)一致模塊證 r 的結(jié)果符號(hào)是否與目的符號(hào)一致或一致。實(shí)驗(yàn)部研究人員選擇 Chain of Thought（CoT）、基于顯式推的 sota 神經(jīng)推理方法sota 模塊推理方法 Selection Inference（SI）作為對(duì)比基線型。實(shí)驗(yàn)的數(shù)集采用 ProofWriter 和 PrOntoQA，這些數(shù)據(jù)集對(duì) LM 推理具有挑戰(zhàn)性，包含需證明鏈長(zhǎng)度達(dá) 5 跳的例子，以及目標(biāo)既不從提供的理論證明也不能反的例子。實(shí)驗(yàn)果顯示，LAMBADA 明顯優(yōu)于其他兩個(gè)線，特別是在含 UNKNOWN 標(biāo)簽的 ProofWriter-PUD 數(shù)據(jù)集上（與 CoT 相比有 44% 的相對(duì)改善， SI 在深度-5 上相比有 56% 的改善），以及在 PrOntoQA 的較高深度上（與 CoT 相比有 37% 的相對(duì)改善，與 SI 在深度-5 上相比有 113% 的改善）。這些結(jié)果顯示了 LAMBADA 在邏輯推理方面的優(yōu)點(diǎn)，也示了后向鏈（ LAMBADA 中是推理的 backbone）與前向鏈（在 SI 中是 backbone）相比可能是更好的選。這些結(jié)果還示了 CoT 方法在處理 UNKNOWN 標(biāo)簽時(shí)的一個(gè)陷：與標(biāo)簽為明（PROVED）或否定（DISPROVED）的例子不同，對(duì)于標(biāo)始均為 UNKNOWN 的例子，沒有自然的思維帝鴻對(duì)于更深（3+）的證明鏈問上，在三個(gè)數(shù)集上，SI 產(chǎn)生的預(yù)測(cè)接近多數(shù)類預(yù)測(cè)。以發(fā)現(xiàn)，在二情況下，它傾于過度預(yù)測(cè) DISPROVED；在三元分類情況下，傾向過度預(yù)測(cè) UNKNOWN，這使得它在 PrOntoQA 的深度-5 中的表現(xiàn)甚至比數(shù)類更差，因該深度的 PROVED 標(biāo)簽比 DISPROVED 多。不過研究人員驚訝地發(fā)現(xiàn)，CoT 對(duì)于 ProofWriterPD 數(shù)據(jù)集的性能仍相對(duì)較高，而準(zhǔn)確率沒有降?？傊谶@數(shù)據(jù)集上，LAMBADA 具有更高的推理確性，與其他虛假的證明痕找到正確結(jié)論技術(shù)相比，LAMBADA 更有可能產(chǎn)生有的推理鏈，同也比其他基于 LM 的模塊化推理方法更有詢效率。研究員表示，該實(shí)結(jié)果強(qiáng)烈地表，未來關(guān)于用 LM 進(jìn)行推理的工作應(yīng)該包后向鏈或目標(biāo)向的策略。參資料：https://arxiv.org/abs/2212.13894本文來自微信眾號(hào)：新智元 （ID：AI_era），編輯：LRS