چگونه برنامه طبیعی استدلال قیاسی را در میان مجموعه داده های متنوع بهبود می بخشد

نویسندگان:

(1) ژان لینگ، UC سن دیگو و سهم برابر.

(2) Yunhao Fang، UC San Diego و سهم برابر.

(3) Xuanlin Li، UC San Diego;

(4) Zhiao Huang، UC San Diego;

(5) Mingu Lee، Qualcomm AI Research و Qualcomm AI Research

(6) Roland Memisevic، Qualcomm AI Research.

(7) هائو سو، UC سن دیگو.

چکیده و مقدمه

کار مرتبط

انگیزه و فرمول مسئله

استدلال زنجیره‌ای فکری قابل تأیید قیاسی

آزمایش ها

محدودیت ها

نتیجه گیری، قدردانی و مراجع

یک تأیید قیاسی با مدل‌های Vicuna

B بحث بیشتر در مورد بهبود دقت تأیید قیاسی در مقابل بهبود در مورد درستی پاسخ نهایی

C جزئیات بیشتر در مورد استخراج پاسخ

D درخواست می کند

E بیشتر نمونه های تایید قیاسی

5 آزمایش

در این بخش، ارزیابی‌هایی را انجام می‌دهیم تا اثربخشی رویکرد تأیید استدلال قیاسی مبتنی بر برنامه طبیعی خود را بر مجموعه داده‌های استدلال متنوع نشان دهیم. اولاً، ما نشان می‌دهیم که فرآیند تأیید قیاسی ما منجر به پیشرفت‌های اساسی در دقت و قابلیت اطمینان زنجیره‌های استدلال می‌شود. در ادامه به بررسی تأثیر تأیید قیاسی بر صحت پاسخ‌های نهایی می‌پردازیم. یافته‌های ما نشان می‌دهد که با اتخاذ قالب استدلال برنامه طبیعی خود بدون تأیید، ما…

Source link