文献阅读：Large Language Models Are Neurosymbolic Reasoners

最新推荐文章于 2024-11-07 09:57:14 发布
原创 最新推荐文章于 2024-11-07 09:57:14 发布 · 1.2k 阅读 · 25 ·
CC 4.0 BY-SA版权
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
文章标签：

#LLM #Reasoner #prompt工程 #LLM应用 #大语言模型

最低0.47元/天 解锁文章
Large Language Models Are Neurosymbolic Reasoners
c_cpp_csharp的专栏
02-28 440
广泛的现实世界应用以其符号性质为特征，这就需要强大的符号推理能力。本文研究了大型语言模型（LLM）作为符号推理器的潜在应用。我们专注于基于文本的游戏，这是具有自然语言能力的代理的重要基准，特别是在数学、地图阅读、排序等符号任务中，以及在基于文本的世界中应用常识。为了促进这些代理，我们提出了一种LLM代理，旨在解决象征性挑战并实现游戏中的目标。我们首先初始化LLM代理并通知它的角色。然后，代理从基于文本的游戏中接收观察结果和一组有效动作，以及特定的符号模块。
Large Language Models are Contrastive Reasoners
c_cpp_csharp的专栏
05-27 164
提示方法在增强预训练的大型语言模型（LLM）的能力方面发挥着至关重要的作用。我们探讨了对比提示（CP）如何显著提高大型语言模型执行复杂推理的能力。我们通过在LLM提供答案之前简单地添加“让我们给出正确和错误的答案”来证明LLM是不错的对比推理机。在各种大型语言模型上的实验表明，零样本对比提示提高了一系列算术、常识和符号推理任务的性能，而无需任何手工制作的小样本示例，例如使用最先进的GPT-4模型，将GSM8K和AQUA-RAT的准确率从35.9%提高到88.8%，将41.3%提高到62.2%。
2024年1月18日Arxiv最热论文推荐：LLM化身符号逻辑大师、谷歌DeepMind新算法挑战动态环境下的在线优化极限、中科院打造新模型分钟级生成Vlog
夕小瑶科技说
01-18 1364
许多现实世界的应用都具有符号性质，需要强大的符号推理能力。本文研究了大型语言模型（LLMs）作为符号推理器的潜在应用。我们关注基于文本的游戏，这是自然语言能力代理在符号任务（如数学、地图阅读、排序和在文本世界中应用常识）方面的重要基准。为了帮助这些代理，我们提出了一个专门用于解决符号挑战和实现游戏目标的LLM代理。我们首先初始化LLM代理并告知其角色。然后代理接收来自文本游戏的观察和一组有效动作，以及一个特定的符号模块。利用这些输入，LLM代理选择一个动作并与游戏环境进行交互。
2024年6月10日Arxiv人工智能相关论文
数智笔记
06-11 1482
我们介绍 Meta MMO，这是一个包含多智能体小游戏的集合，可用作强化学习基准。Meta MMO 是建立在 Neural MMO 之上的，后者是一个大规模多智能体环境，已经成为两个前期 NeurIPS 比赛的研究对象。我们的工作通过学习使用一组权重来玩多个小游戏，扩展了 Neural MMO 的功能。我们在 MIT 许可下发布了环境、基准和训练代码。我们希望 Meta MMO 能够推动 Neural MMO 的进一步发展，并且更广泛地作为多智能体泛化的有用基准。
2024年1月18日Arxiv最热NLP大模型论文：Large Language Models Are Neurosymbolic Reasoners
夕小瑶科技说
01-18 1409
我们的实验结果表明，我们的方法显著提高了LLM作为自动化符号推理代理的能力，在涉及符号任务的文本游戏中，我们的LLM代理的平均表现达到了88%。DRRN模型基于Q学习的概念，选择预期Q值最高的候选动作作为下一步动作，而行为克隆变换器采用模仿学习方法，将强化学习视为序列到序列的问题，预测基于一系列先前观察到的动作序列的后续动作。通过对比使用和不使用约束提示的模型性能，我们发现当LLM智能体使用表3中概述的约束提示时，其在所有任务中的性能都有所提高。尽管LLM在文本游戏中的应用取得了一定的成功，但仍存在挑战。
论文解读：Large Language Models as Analogical Reasoners
夏栀的博客
10-24 1072
*归纳提示学习（analogical prompting）**旨在模型在解决一个新的问题时，能够自发性地寻找相似的已有的知识。对于像code-generation等复杂的任务，low-level exemplar generation不一定能过让模型很好地解决此类问题，因此本文提出一种high-level generation方法。上图中展示出，当模型规模越大时，解题的准确性也越高，同时我们提出的self-generation方法与baseline的提升幅度也越大。发现本文提出的方达到了SOTA。
【论文阅读笔记】Large language models are reasoners with self-verification
自用博客
02-01 1111
Large language models are reasoners with self-verification
论文翻译：2023.ACL.Li Y.Making Large Language Models Better Reasoners with Step-Aware Verifier
CSPhD-winston的博客
11-07 1181
少量样本学习是一项具有挑战性的任务，要求语言模型从有限的示例中进行泛化。像GPT-3和PaLM这样的大型语言模型在这个领域取得了令人瞩目的进步，但它们在推理任务上仍然面临困难，例如GSM8K，这是一个用于算术问题的基准。为了提高它们的推理能力，以前的工作提出了使用提示来引导语言模型，这些提示促使在给出最终答案之前产生一系列推理步骤，在GSM8K上从17.9%的问题解决率显著提高到58.1%。在本文中，我们介绍了DIVERSE（推理步骤上的多样化验证器），这是一种新颖的方法，进一步增强了语言模型的推理能力。
C语言实现网络流量实时监测与分析系统源码及部署指南
11-27
本项目为采用C语言构建的网络流量实时解析系统，包含完整的设计实现资料及部署指南。该代码成果在学术评审中获得优异评价，测试验证各项功能运行稳定可靠。系统设计针对网络数据流进行动态监测与解析，适用于计算机网络教学实践及科研开发场景。 项目内容涵盖网络协议解析、数据包捕获机制、流量统计分析与实时监控模块，采用多线程架构确保数据处理效率。适合计算机科学与技术、网络工程、信息安全等相关专业师生用于课程实验、毕业设计参考，也可作为企业原型开发基础。代码结构清晰，注释详尽，具备二次开发拓展能力。 所有组件均通过完整性验证，提供技术文档说明。欢迎技术交流与协作改进。 资源来源于网络分享，仅用于学习交流使用，请勿用于商业，如有侵权请联系我删除！
51单片机c源码-软件消抖的独立式键盘输入实验
11-27
51单片机c源码-软件消抖的独立式键盘输入实验
51单片机c源码-用定时器T0的中断控制1位LED闪烁
11-27
51单片机c源码-用定时器T0的中断控制1位LED闪烁
51单片机c源码-CPU控制的独立式键盘扫描实验
最新发布
11-27
51单片机c源码-CPU控制的独立式键盘扫描实验
mmexport1764240273968.jpg
11-27
mmexport1764240273968.jpg
清江.zip
11-27
三级水系流域矢量数据，数据格式shp格式，坐标系wgs84，真实可靠可打开，放心使用
永定河册田水库至三家店区.zip
11-27
三级水系流域矢量数据，数据格式shp格式，坐标系wgs84，真实可靠可打开，放心使用
故障诊断pytorch基于CNN-LSTM故障分类的轴承故障诊断研究[西储大学数据]（Python代码实现）
11-27
【故障诊断】【pytorch】基于CNN-LSTM故障分类的轴承故障诊断研究[西储大学数据]（Python代码实现）内容概要：本文介绍了基于CNN-LSTM神经网络模型的轴承故障分类方法，利用PyTorch框架实现，采用西储大学（Case Western Reserve University）公开的轴承故障数据集进行实验验证。该方法结合卷积神经网络（CNN）强大的特征提取能力和长短期记忆网络（LSTM）对时序数据的建模优势，实现对轴承不同故障类型和严重程度的高精度分类。文中详细阐述了数据预处理、模型构建、训练流程及结果分析过程，并提供了完整的Python代码实现，属于典型的工业设备故障诊断领域深度学习应用研究。; 适合人群：具备Python编程基础和深度学习基础知识的高校学生、科研人员及工业界从事设备状态监测与故障诊断的工程师，尤其适合正在开展相关课题研究或希望复现EI级别论文成果的研究者。; 使用场景及目标：① 学习如何使用PyTorch搭建CNN-LSTM混合模型进行时间序列分类；② 掌握轴承振动信号的预处理与特征学习方法；③ 复现并改进基于公开数据集的故障诊断模型，用于学术论文撰写或实际工业场景验证； 阅读建议：建议读者结合提供的代码逐行理解模型实现细节，重点关注数据加载、滑动窗口处理、网络结构设计及训练策略部分，鼓励在原有基础上尝试不同的网络结构或优化算法以提升分类性能。
基于视觉同步定位与建图（Visual-SLAM）算法的粒子群优化无人机路径规划研究（Matlab代码实现）
11-27
基于视觉同步定位与建图（Visual-SLAM）算法的粒子群优化无人机路径规划研究（Matlab代码实现）内容概要：本文围绕基于视觉同步定位与建图（Visual-SLAM）算法的粒子群优化无人机路径规划展开研究，并提供了完整的Matlab代码实现。研究结合Visual-SLAM技术实现无人机在未知环境中的自主建图与定位，利用粒子群优化（PSO）算法对路径进行智能规划，提升无人机在复杂环境下的导航效率与安全性。文中还介绍了相关技术背景，涵盖智能优化算法、路径规划、无人机应用、图像处理及MATLAB仿真等多个领域，展示了该方法在科研与工程实践中的广泛应用前景。; 适合人群：具备一定编程基础，熟悉MATLAB工具，从事无人机导航、智能优化算法、SLAM技术或自动化相关方向的研究生、科研人员及工程技术人员。;
柴达木盆地西部.zip
11-27
三级水系流域矢量数据，数据格式shp格式，坐标系wgs84，真实可靠可打开，放心使用
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
红包 添加红包
表情包 插入表情
表情包 代码片
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值