思维推理方式：增强类型感知以实现面向文本的广义零样本逻辑推理
人工智能
2023-01-10 v1
摘要
逻辑推理任务涉及基于多项选择问答形式、对文本进行的多种复杂推理类型。给定上下文、问题及一组选项作为输入，以往方法在全数据设定下取得了优越性能。然而，当前基准数据集存在一个理想假设，即训练集与测试集的推理类型分布相近，这与许多真实应用场景不一致。为此，仍有两方面问题有待研究：(1) 模型的零样本能力如何（在已见类型上训练、在未见类型上测试）？(2) 如何增强模型对推理类型的感知？针对问题1，我们提出一个名为 ZsLR 的广义零样本逻辑推理新基准，其基于三种类型采样策略包含六个划分。针对问题2，提出一种类型感知模型 TaCo，它利用启发式输入重构与对比学习来提升全局表示中的类型感知。在零样本与全数据设定下的大量实验证明了 TaCo 相对于最先进方法的优越性。此外，我们在其他逻辑推理数据集上实验并验证了 TaCo 的泛化能力。
引用
@article{arxiv.2301.02983,
title = {Mind Reasoning Manners: Enhancing Type Perception for Generalized Zero-shot Logical Reasoning over Text},
author = {Fangzhi Xu and Jun Liu and Qika Lin and Tianzhe Zhao and Jian Zhang and Lingling Zhang},
journal= {arXiv preprint arXiv:2301.02983},
year = {2023}
}
备注
12 pages, 7 figures