Using Counterfactual Tasks to Evaluate the Generality of Analogical Reasoning in Large Language Models
University of Bristol(布里斯托尔大学);Santa Fe Institute(圣塔菲研究所)
通过构建反事实类比任务测试发现,GPT模型在反事实问题上表现急剧下降,证明LLMs缺乏人类类比推理的稳健性与通用性。
2024-02-14 cs.AI cs.CL
Enhancing Structural Mapping with LLM-derived Abstractions for Analogical Reasoning in Narratives
Vrije Universiteit Amsterdam(阿姆斯特丹自由大学);University of Southern California(南加州大学)
本文提出YARN框架,利用LLM分解叙事并抽象单元,提升叙事类比推理能力,实验表明抽象显著提升性能,揭示了抽象层级、隐含因果关系和类比模式分类的挑战。
2026-03-31 cs.AI cs.CL
Evidence from counterfactual tasks supports emergent analogical reasoning in large language models
University of California, Los Angeles(加州大学洛杉矶分校)
本文回应了对大型语言模型零样本类比推理能力的质疑,通过反事实任务实验证明模型能够泛化到字母表顺序被任意置换的新任务变体,支持其具备涌现类比推理能力。
2024-04-29 cs.AI cs.CL
Reframing Tax Law Entailment as Analogical Reasoning
Johns Hopkins University(约翰霍普金斯大学);Télécom Paris, Institut Polytechnique de Paris(巴黎综合理工学院电信巴黎分校)
本文将税法法定推理重构为类比任务,通过组合成对实例将数据集扩大两个数量级,并引入可解释性,最终结合检索与类比模型在原有任务上取得进展。
2024-01-12 cs.AI cs.CL
Relevant Entity Selection: Knowledge Graph Bootstrapping via Zero-Shot Analogical Pruning
Orange(Orange公司);Université de Lorraine(洛林大学);CNRS(法国国家科学研究中心);LORIA(洛林计算机科学及其应用研究所)
针对通用知识图谱整合中的无关内容与可扩展性问题,提出零样本类比剪枝方法,从种子实体筛选相关邻域,并在 Wikidata 上验证其效果与泛化能力。
2023-08-16 cs.AI cs.LG
Response: Emergent analogical reasoning in large language models
University of Washington(华盛顿大学);Information School(信息学院);Center for an Informed Public(信息公众中心)
本文反驳GPT-3具备涌现零样本类比推理能力的观点,通过字母串类比变体实验表明GPT-3在简单修改下即失败而人类表现稳定,并呼吁发展排除数据记忆的评估方法。
2024-05-01 cs.AI cs.CL
Some recent advances in reasoning based on analogical proportions
Liwa College of Technology(利瓦技术学院);Tunis University(突尼斯大学);CNRS(法国国家科学研究中心);University of Toulouse(图卢兹大学)
类比比例比较项目(a,b)和(c,d)的差异和相似性。它们在类比推理的形式化过程中起着关键作用。本文首先讨论了如何提高类比推理的准确性和计算成本。然后,它表明了类比比例的解释潜力。最后,它突出了类比比例和多值依赖之间的密切关系,揭示了前者的一个未被怀疑的方面。
2022-12-22 cs.AI
Enhancing multimodal analogical reasoning with Logic Augmented Generation
University of Bologna(博洛尼亚大学);ISTC-CNR(意大利国家研究 council 信息与系统技术研究中心)
本文提出逻辑增强生成框架,通过结合语义知识图谱和提示启发法,提升多模态类比推理能力,在隐喻检测和理解任务中优于基线和人类表现。
2025-06-13 cs.AI cs.CL
A Short Remark on Analogical Reasoning
Aix-Marseille Université(艾克斯-马赛大学);CNRS(法国国家科学研究中心)
我们讨论了类比推理的逻辑定义问题,并以反事实条件句、优先结构等的语义学形式给出了一个解决方案。
2019-10-06 cs.AI cs.LO
Know Your Needs Better: Towards Structured Understanding of Marketer Demands with Analogical Reasoning Augmented LLMs
Zhejiang University(浙江大学);Ant Group(蚂蚁集团)
本文提出ARALLM框架,通过类比推理提示与多任务模型蒸馏,使大语言模型能够将非专业营销人员的自然语言需求转化为结构化逻辑语言,从而在工业场景中实现更有效的用户定向。
2024-06-12 cs.AI cs.CL
Deductive and Analogical Reasoning on a Semantically Embedded Knowledge Graph
U.S. Army Research Laboratory(美国陆军研究实验室)
将知识表示为连续语义向量空间中的高维向量,可以克服传统知识库的脆弱性和不完备性。我们提出了一种直接在这样的向量空间中进行演绎推理的方法,在推理链的每一步都以简单的方式结合类比、联想和演绎,利用来自不同来源和本体的知识。
2017-07-11 cs.AI
Multimodal Analogical Reasoning over Knowledge Graphs
Zhejiang University(浙江大学);AZFT Joint Lab for Knowledge Engine(知识引擎AZFT联合实验室);National University of Singapore(新加坡国立大学)
类比推理是人类认知的基础,在各个领域都占有重要地位。然而,以往的研究主要集中在单模态类比推理,忽视了结构知识的利用。值得注意的是,认知心理学的研究表明,来自多模态来源的信息总是比单一模态来源带来更强大的认知转移。为此,我们介绍了多模态类比推理知识图谱,这需要多模态推理能力的背景知识的帮助下,新的任务。具体来说,我们构建了一个多模态类比推理数据集(MARS)和一个多模态知识图谱MarKG。我们使用多模态知识图谱嵌入和预训练的Transformer基线进行评估,说明了所提出的任务的潜在挑战。基于结构映射理论,我们提出了一种新的模型无关的多模态类比推理框架--Transformer(MarT),该框架具有更好的性能。代码和数据集可在https://github.com/zjunlp/MKG_Analogy上获得。
2023-03-01 cs.AI cs.CL cs.CV
Analogical Reasoning Within a Conceptual Hyperspace
Tufts University(塔夫茨大学)
本文提出一种结合超维度计算(HDC)与概念空间理论(CST)的神经符号架构,实现了CST分类下的多种类比推理计算,并在玩具领域验证了其基于类别与属性的推理能力。
2024-11-13 cs.AI
Emergent Analogical Reasoning in Large Language Models
University of California, Los Angeles(加利福尼亚大学洛杉矶分校)
本研究对比了GPT-3与人类在类比推理任务上的表现,发现GPT-3展现出惊人的抽象模式归纳能力,在多数场景下与人类相当甚至超越,表明大型语言模型已获得零样本解决类比问题的涌现能力。
2023-08-03 cs.AI cs.CL
Emergent Analogical Reasoning in Transformers
The University of Tokyo(东京大学);Google Deep Mind(谷歌深Mind)
本研究通过范畴论中的函子概念形式化类比推理,设计合成任务探究Transformer中类比推理的涌现机制,发现其依赖于数据特征、优化选择和模型规模,并通过机制分析揭示几何对齐和函子应用两个关键组件。
2026-05-27 cs.AI
MetaLadder: Ascending Mathematical Solution Quality via Analogical-Problem Reasoning Transfer
Shanghai AI Laboratory(上海人工智能实验室);Tsinghua University(清华大学);Renmin University of China(中国人民大学)
本研究提出MetaLadder框架,通过提示大语言模型回忆类比元问题及其思维链解法、结合问题重述机制实现推理迁移,在数学基准上较标准CoT方法准确率提升10.3%,显著增强数学推理能力。
2025-03-19 cs.AI cs.CL
A Description Logic for Analogical Reasoning
Cardiff University(卡迪夫大学)
本体论形式化了来自给定领域的概念是如何相互关联的。尽管它们作为可解释人工智能的支柱具有明显的潜力,但现有的本体往往是高度不完整的,这是它们更广泛采用的重大障碍。为了缓解这个问题,我们提出了一种机制来推断合理的缺失知识,这依赖于类比推理。据我们所知,这是第一篇论文,研究类比推理的设置描述逻辑本体。在显示类比比例的标准形式化具有重要的局限性,在这种情况下,我们介绍了一种替代语义的基础上双射映射集的功能。然后,我们分析的性质下提出的语义类比,并显示它如何使两个合理的推理模式:规则翻译和规则外推等。
2021-05-10 cs.AI
DeFine: Decision-Making with Analogical Reasoning over Factor Profiles
University of Central Florida(中央佛罗里达大学);Tencent AI Lab, Seattle(腾讯AI实验室(西雅图));University of Rochester(罗切斯特大学);Emory University(埃默里大学)
本文提出模块化框架 DeFine,通过从复杂场景构建概率化因素画像并结合类比推理,将不确定性量化与 LLM 决策过程解耦,以提升 LLM 在咨询和财务审议等不确定场景下的决策能力。
2025-07-17 cs.AI cs.CL
When Models Know More Than They Say: Probing Analogical Reasoning in LLMs
Cambridge University(剑桥大学);Northeastern University(东北大学);Athenahealth;Johns Hopkins University(约翰霍普金斯大学)
研究探讨了LLMs在类比推理任务中的表现,发现探测内部表示比提示性能更优,揭示了任务依赖性和提示机制的局限性。
2026-04-04 cs.AI cs.CL cs.LG
Enhancing Analogical Reasoning in the Abstraction and Reasoning Corpus via Model-Based RL
Gwangju Institute of Science and Technology(光州科学技术院)
本文提出基于模型的强化学习方法,通过构建内部模型解决抽象与推理语料库(ARC)中的类比推理任务,实验证明其比无模型RL在学习和泛化上更具优势。
2024-08-27 cs.AI cs.LO
Are LLMs the Master of All Trades? : Exploring Domain-Agnostic Reasoning Skills of LLMs
University of Pennsylvania(宾夕法尼亚大学)
大语言模型(LLM)像人类一样推理的潜力一直是机器学习社区中备受争议的话题。然而,人类的推理能力是多方面的,可以以各种形式出现,包括类比,空间和道德推理等。这一事实提出了一个问题,即LLM是否可以在所有这些不同的领域中表现同样出色。本研究旨在通过直接使用或借鉴现有类比和空间推理数据集的实验,研究LLM在不同推理任务中的表现。此外,为了评估LLM像人类一样推理的能力,他们的表现是在更开放的自然语言问题上进行评估的。我的研究结果表明,法学硕士擅长类比和道德推理,但在空间推理任务上表现得很熟练。我相信这些实验对于为LLM的未来发展提供信息至关重要,特别是在需要多样化推理专业知识的背景下。通过揭示LLM的推理能力,这项研究旨在推动我们对它们如何更好地模仿人类认知能力的理解。
2023-03-22 cs.AI cs.CL
In-Context Analogical Reasoning with Pre-Trained Language Models
University of Michigan(密歇根大学)
本文将视觉 RPM 的感知特征编码为语言,利用大型预训练语言模型实现零样本类比推理,性能超过人类并接近视觉监督方法。
2023-06-05 cs.AI cs.CL cs.LG
Fluid Transformers and Creative Analogies: Exploring Large Language Models' Capacity for Augmenting Cross-Domain Analogical Creativity
University of Maryland(马里兰大学);Temple University(天普大学)
本文通过三项研究系统评估LLM生成跨领域类比以辅助人类问题重构的效用与风险,发现其通常有帮助并能改变表述,但有害输出上限达25%。
2023-06-02 cs.AI cs.CL
Visual-Imagery-Based Analogical Construction in Geometric Matrix Reasoning Task
Vanderbilt University(范德堡大学);Georgia Tech(佐治亚理工学院)
瑞文推理测验(英语:Raven's Progressive Matrices)是一系列经典的智力测验,已被广泛用于研究和临床。在人工智能社区中已经有许多令人兴奋的努力来计算模型解决问题的各个方面,例如图形类比推理问题。在本文中,我们提出了一系列的计算模型求解乌鸦的渐进矩阵使用类比和图像变换。我们按照人类测试者通常采用的三种不同策略运行我们的模型。这些模型在标准版的Raven's Progressive Matrix上进行了测试,在60个问题中,我们可以解决57个,从而证明了类比和镜像变换在解决RPM问题中的有效性。
2022-08-29 cs.AI
Understanding Narratives through Dimensions of Analogy
Information Sciences Institute, University of Southern California(南加州大学信息科学研究所)
类比推理是一种强大的定性推理工具,它使人类能够将两种情况联系起来,并将他们的知识从熟悉的情况推广到新的情况。认知科学的研究提供了宝贵的见解类比推理的丰富性和复杂性,以及有限的可扩展性的表达性类比推理机的实现。具有类比推理潜力的现代可扩展人工智能技术仅适用于比例类比的特殊情况,而不是理解高阶类比。在本文中,我们的目标是通过以下方式弥合这一差距:1)基于认知科学研究的成熟见解,将类比的六个维度形式化,2)用这些维度中的每一个来注释寓言语料库,以及3)定义四个复杂性不断增加的任务,以实现对人工智能技术的可扩展评估。在这些任务上使用语言模型和神经符号AI推理机的实验表明,最先进的方法可以应用于类比推理,但成功有限,因此需要进一步研究AI的全面和可扩展的类比推理。我们提供所有的代码和数据。
2022-06-27 cs.AI cs.CL
Reinforcement Learning with Analogical Similarity to Guide Schema Induction and Attention
University of Colorado, Boulder(科罗拉多大学博尔德分校)
类比推理的研究表明,高阶认知功能,如抽象推理,远迁移和创造力是建立在识别关系系统之间的结构相似性。在这里,我们将类比理论与强化学习(RL)的计算框架相结合。我们提出了一种心理学理论,即类比和RL之间的计算协同作用,其中类比比较为RL学习算法提供了关系相似性的度量,RL提供了可以驱动类比学习的反馈信号。仿真结果支持这种方法的力量。
2017-12-28 cs.AI
Zero-shot visual reasoning through probabilistic analogical mapping
University of California, Los Angeles(加州大学洛杉矶分校);Air Force Research Laboratory(空军研究实验室)
人类的推理是建立在识别高度抽象的共性的能力之上的,这些共性支配着表面上不同的视觉输入。最近开发具有这种能力的算法的努力主要集中在需要对视觉推理任务进行广泛的直接训练的方法上,并且对具有新内容的问题的泛化能力有限。相比之下,认知科学的长期研究传统一直专注于阐明人类类比推理的计算原理;然而,这项工作通常依赖于手动构建的表示。在这里,我们提出了视觉概率类比映射(visual Probabilistic Analogical Mapping,简称PAM),一个综合了这两种方法的视觉推理模型。VisiPAM采用直接从自然视觉输入中获得的学习表示,再加上从人类推理的认知理论中获得的基于相似性的映射操作。我们表明,在没有任何直接训练的情况下,CNOPAM在类比映射任务上的表现优于最先进的深度学习模型。此外,CNOPAM与人类在一项涉及跨不同类别映射3D对象的新任务上的表现模式密切匹配。
2022-09-29 cs.AI cs.CV
Inductive Linguistic Reasoning with Large Language Models
Greenwich High School(格林威治高中);University of Pennsylvania(宾夕法尼亚大学)
本文通过极低资源语言谜题研究大语言模型的抽象多语言推理能力,提出两阶段类比提示方法,有效提升GPT-4o和Llama-3.1-405B-Instruct等模型在modeLing和LINGOLY数据集上的推理性能。
2024-12-09 cs.AI cs.CL
I-RAVEN-X: Benchmarking Generalization and Robustness of Analogical and Mathematical Reasoning in Large Language and Reasoning Models
IBM Research – Zurich(IBM瑞士研究中心);ETH Zurich(苏黎世联邦理工学院)
本文提出符号基准I-RAVEN-X,通过增加操作数复杂度、属性范围和感知不确定性,评估大语言模型与大推理模型在类比与数学推理上的泛化与鲁棒性,发现LRMs表现更优但仍难以应对不确定性推理。
2025-10-31 cs.AI cs.LG
Analogical Reasoning for Visually Grounded Language Acquisition
Columbia University(哥伦比亚大学)
儿童通过观察周围的世界和听描述下意识地习得语言。即使没有明确的语言知识,他们也能发现单词的含义,并毫不费力地概括为新的作文。在本文中,我们通过研究视觉基础语言习得(VLA)的任务,将这种能力引入人工智能。我们提出了一个多模态的Transformer模型,增加了一个新的机制,类比推理,近似新的组合物,通过学习语义映射和推理操作,从以前看到的组合物。我们提出的方法,类比推理Transformer网络(ARTNet),训练的原始多媒体数据(视频帧和成绩单),并在观察一组组成,如“洗苹果”或“切胡萝卜”,它可以概括和识别新的视频帧,如“洗胡萝卜”或“切苹果”的新组成。为此,ARTNet参考训练数据中的相关实例,并使用其视觉特征和标题与查询图像建立类比。然后选择合适的动词和名词来创作一个新的作品,最好地描述新的形象。大量的教学视频数据集上的实验表明,该方法实现了显着更好的泛化能力和识别精度相比,国家的最先进的Transformer模型。
2020-07-22 cs.AI cs.CL cs.CV
A Fuzzy Model for Analogical Problem Solving
在本文中,我们开发了一个模糊模型来描述类比推理的过程,将其主要步骤表示为一组语言标签的模糊子集,这些语言标签表征了个体在每个步骤中的表现,并且我们使用Shannon- Wiener多样性指数作为个体在类比问题解决中的能力的度量。通过在类比推理过程中引入有限马尔可夫链,将该模型与作者以前提出的随机模型进行了比较。一个课堂实验也被用来说明我们的结果在实践中的使用。
2012-04-28 cs.AI
VOILA: Evaluation of MLLMs For Perceptual Understanding and Analogical Reasoning
Arizona State University(亚利桑那州立大学);University of Maryland, Baltimore County(马里兰大学巴尔的摩县分校)
VOILA通过类比映射方法评估多模态大语言模型的感知理解和抽象推理能力,发现其在图像间关系理解上存在不足,但通过多步提示策略可提升性能。
2025-03-04 cs.AI cs.CL cs.CV
CARV: A Diagnostic Benchmark for Compositional Analogical Reasoning in Multimodal LLMs
Pennsylvania State University(宾夕法尼亚州立大学)
本文提出CARV任务及5500样本数据集,评估多模态大语言模型在组合类比推理中的能力,发现Gemini-2.5 Pro准确率仅为40.4%,远低于人类水平,揭示模型在规则提取与组合变换上的局限。
2026-07-21 cs.AI
Beneath Surface Similarity: Large Language Models Make Reasonable Scientific Analogies after Structure Abduction
Fudan University(复旦大学);Fudan-Aishu Cognitive Intelligence Joint Research Center(复旦-爱数认知智能联合研究中心)
本文提出类比结构溯因任务及SCAR基准,发现LLMs(含ChatGPT、GPT-4)在科学类比推理中常忽视底层结构,面临持续挑战,需未来探索提升。
2023-10-10 cs.AI cs.CL
DeepGAR: Deep Graph Learning for Analogical Reasoning
Emory University(埃默里大学);George Mason University(乔治梅森大学);Tianjin University(天津大学);NEC Labs America(NEC美国实验室)
类比推理是发现和映射从目标主题到基础主题的对应关系的过程。结构映射理论(SMT)是类比推理最著名的计算方法,它将目标和基础主题都抽象成关系图,通过寻找对应的子图(即,对应关系)。然而,将深度学习结合到SMT中仍然是探索不足的,这是由于以下几个障碍:1)在目标图中搜索对应关系的组合复杂性; 2)对应关系挖掘受到各种认知理论驱动的约束的限制。为了解决这两个挑战,我们提出了一种新的类比推理框架(DeepGAR),通过确保认知理论驱动的约束来识别源域和目标域之间的对应关系。具体来说,我们设计了一个几何约束嵌入空间,从节点嵌入中导出子图关系,以实现高效的子图搜索。此外,我们开发了新的学习和优化策略,可以端到端识别严格符合认知理论驱动的约束的对应关系。在合成和真实世界的数据集上进行了大量的实验,以证明所提出的DeepGAR对现有方法的有效性。
2022-11-19 cs.AI cs.LG cs.SI
Thought Propagation: An Analogical Approach to Complex Reasoning with Large Language Models
University of Chinese Academy of Sciences(中国科学院大学);Yale University(耶鲁大学)
本文提出 Thought Propagation,通过让 LLM 生成并求解类比问题、复用其洞见修正初始方案,以即插即用方式增强复杂推理,并在三类任务上显著优于基线。
2024-06-17 cs.AI cs.CL
Analogical proportions II
Vienna University of Technology(维也纳工业大学)
本文在泛代数框架下进一步发展类比比例的数学理论,该理论已成功应用于人工智能中的逻辑程序合成。
2024-05-22 cs.AI cs.DM cs.LO
Selective Replay Enhances Learning in Online Continual Analogical Reasoning
Rochester Institute of Technology(罗切斯特理工学院);Paige;Cornell Tech(康奈尔科技学院)
在持续学习中,系统从非平稳数据流或批次中学习,而不会发生灾难性遗忘。虽然这个问题已经在监督图像分类和强化学习中得到了大量的研究,但为抽象推理而设计的神经网络中的持续学习还没有被研究。在这里,我们研究类比推理的持续学习。类比推理测试,如乌鸦的渐进矩阵(RPM)通常用于衡量人类的非语言抽象推理,最近离线神经网络的RPM问题已经提出。在本文中,我们建立了实验基线,协议,和向前和向后传输指标,以评估持续学习者的RPM。我们使用经验回放来减轻灾难性遗忘。使用重放用于图像分类任务的先前工作已经发现,选择性地选择要重放的样本提供的益处(如果有的话)比随机选择少得多。相比之下,我们发现,选择性重放可以显着优于随机选择的RPM任务。
2021-04-19 cs.AI cs.CV cs.LG
Few-shot Visual Reasoning with Meta-analogical Contrastive Learning
Samsung Advanced Institute of Technology(三星先进技术研究院);Korea Advanced Institute of Science and Technology (KAIST)(韩国科学技术院)
虽然人类可以通过观察少量样本来解决需要逻辑推理的视觉难题,但对于最先进的深度推理模型来说,需要在大量数据上进行训练,才能在同一任务上获得类似的性能。在这项工作中,我们建议解决这样一个Few-Shot(或低镜头)的视觉推理问题,通过诉诸类比推理,这是一种独特的人类能力,以确定两组之间的结构或关系相似性。具体来说,给定包含相同类型的视觉推理问题的训练集和测试集,我们提取两个域中元素之间的结构关系,并通过类比学习使它们尽可能相似。我们反复应用这个过程,在假设它不影响训练样本和测试样本之间的关系的情况下,对同一问题的查询进行稍微修改。这允许以有效的方式学习两个样本之间的关系相似性,即使是单对样本。我们验证了我们的方法在RAVEN数据集上,它优于国家的最先进的方法,具有更大的增益时,训练数据是稀缺的。我们进一步元学习我们的类比对比学习模型在相同的任务与不同的属性,并表明,它推广到相同的视觉推理问题与看不见的属性。
2020-07-23 cs.AI cs.LG stat.ML
CHAIRO: Contextual Hierarchical Analogical Induction and Reasoning Optimization for LLMs
National Engineering Laboratory for Big Data System Computing Technology(国家大数据系统计算技术工程实验室);Shenzhen University(深圳大学);Tsinghua University(清华大学);National University of Singapore(新加坡国立大学)
本文提出CHAIRO框架,通过类比示例提升规则归纳和决策可靠性,在内容审核中实现更准确和可解释的规则生成。
2026-04-12 cs.AI
LacMaterial: Large Language Models as Analogical Chemists for Materials Discovery
National Research Council Canada(加拿大国家研究理事会)
本研究提出LacMaterial框架,利用大型语言模型通过跨领域类比检索和领域内类比模板生成新型电池材料,超越传统掺杂替代,产出更优候选,展现类比驱动的科学创新潜力。
2025-10-25 cs.AI cs.LG
Unlocking LLM Creativity in Science through Analogical Reasoning
Stanford University(斯坦福大学)
本文通过类比推理方法提升大语言模型在开放性问题解决中的多样性与创新性,实验表明该方法显著提高了生成解决方案的质量和多样性。
2026-05-11 cs.AI cs.CL q-bio.QM
Handling Wikidata Qualifiers in Reasoning
University of Geneva(日内瓦大学)
针对 Wikidata 推理中限定符处理难题,提出限定符分类与多类逻辑及代数规范相结合的方法,实现有效推理并给出原型。
2023-06-21 cs.AI
Vision-and-Language Navigation with Analogical Textual Descriptions in LLMs
Michigan State University(密歇根州立大学);UNC Chapel Hill(北卡罗来纳大学教堂山分校);University of Adelaide(阿德莱德大学)
针对零样本VLN智能体在视觉细节与抽象语义间的两难,本文引入多视角文本描述以支持跨图像类比推理,增强场景与空间理解,并在R2R上显著提升导航性能。
2025-09-29 cs.AI cs.CV cs.MM
The Scattering Compositional Learner: Discovering Objects, Attributes, Relationships in Analogical Reasoning
University of Toronto(多伦多大学);Vector Institute(Vector研究所)
在这项工作中,我们专注于类比推理任务,包含丰富的组成结构,乌鸦的进步矩阵(RPM)。为了发现数据的组合结构,我们提出了分散组合学习器(SCL),一种按顺序组成神经网络的架构。我们的SCL在两个RPM数据集上实现了最先进的性能,与之前的最先进技术相比,Balanced-RAVEN和PGM的相对改进分别为48.7%和26.4%。我们还表明,我们的模型发现了对象属性的组成表示(例如,形状、颜色、大小),以及它们的关系(例如,进步,联盟)。我们还发现,成分表示使SCL显着更强大的测试时域移位,并大大提高了zero-shot推广到以前看不见的类比。
2020-07-08 cs.AI cs.LG cs.LO
CARO: Chain-of-Analogy Reasoning Optimization for Robust Content Moderation
National Engineering Laboratory for Big Data System Computing Technology(大数据系统计算技术国家工程实验室);Shenzhen University(深圳大学);Tsinghua University(清华大学);National University of Singapore(新加坡国立大学)
CARO通过两阶段训练框架提升LLM的类比推理能力,有效缓解内容审核中的误导性决策短路问题,实验显示其在模糊审核基准上平均F1得分提升24.9%。
2026-04-12 cs.AI
Can LLMs Help Improve Analogical Reasoning For Strategic Decisions? Experimental Evidence from Humans and GPT-4
INSEAD Singapore(欧洲工商管理学院新加坡分校);Indian School of Business(印度商学院);ESSEC Business School(埃塞克商学院)
本研究通过源到目标匹配实验发现,GPT-4在战略决策类比推理中召回率高但精确率低,人类则反之,表明LLM宜作类比生成器而人类宜作评估者。
2025-05-01 cs.AI cs.HC
Bilingual analogical proportions via hedges
Vienna University of Technology(维也纳技术大学)
本文将基于泛代数与一阶逻辑的单语类比比例框架推广为双语框架,通过引入模糊限制语处理底层语言不同的情形,从而显著扩展类比推理数学理论的适用范围。
2024-01-12 cs.AI cs.LO
Knowledge-based Analogical Reasoning in Neuro-symbolic Latent Spaces
TCS Research(塔塔咨询服务公司研究院)
类比推理问题挑战了连接主义和符号AI系统,因为这些系统需要结合背景知识、推理和模式识别。虽然符号系统摄取明确的领域知识并执行演绎推理,但它们对噪声敏感,并且需要将输入映射到预设的符号特征。另一方面,连接主义系统可以直接摄取丰富的输入空间,如图像,文本或语音,即使有噪声输入也能识别模式。然而,联结主义模型努力包括演绎推理的明确领域知识。在本文中,我们提出了一个框架,结合了神经网络的模式识别能力与符号推理和背景知识解决一类类比推理问题的属性集和可能的关系,他们是已知的先验。我们从“神经算法推理”方法[DeepMind 2020]中获得灵感,并通过以下方式使用特定于问题的背景知识:(i)基于问题的符号模型学习分布式表示;(ii)训练反映问题中所涉及关系的神经网络转换;最后(iii)训练从图像到分布式表示的神经网络编码器(i)。这三个要素使我们能够使用神经网络作为操纵分布式表示的基本函数来执行基于搜索的推理。我们在RAVENs Progressive Matrices中的视觉类比问题上测试了这一点,并实现了与人类表现相竞争的准确性,并且在某些情况下,优于最初的端到端基于神经网络的方法。虽然最近的神经模型在规模上训练产生SOTA,但我们新的神经符号推理方法是解决这个问题的一个有希望的方向,并且可以说是更通用的,特别是对于领域知识可用的问题。
2022-09-19 cs.AI cs.LG
OC-NMN: Object-centric Compositional Neural Module Network for Generative Visual Analogical Reasoning
Mila(米拉研究所);ServiceNow Research(ServiceNow研究院)
本文提出OC-NMN,通过模块化将视觉生成推理任务分解为对象原语组合,无需领域特定语言即可生成新训练任务,从而提升模型在MNIST数字算术运算基准上的分布外泛化能力。
2023-10-28 cs.AI cs.CV
RAVEN: A Dataset for Relational and Analogical Visual rEasoNing
UCLA Center for Vision, Cognition, Learning and Autonomy(加州大学洛杉矶分校视觉、认知、学习与自主性中心);International Center for AI and Robot Autonomy (CARA)(人工智能与机器人自主性国际中心(CARA))
在涉及低水平感知的基本视觉任务中,如物体识别,检测和跟踪,已经取得了巨大的进展。不幸的是,人工视觉系统和人类智能在更高层次的视觉问题,特别是涉及推理的问题方面仍然存在巨大的性能差距。早期为机器配备高级推理的尝试一直围绕着视觉问答(VQA),这是一项将视觉和语言理解相关联的典型任务。在这项工作中,我们提出了一个新的数据集,内置的乌鸦的渐进矩阵(RPM)的背景下,旨在提升机器智能相关联的视觉与结构,关系,和类比推理的层次表示。与以往的作品中使用RPM测量抽象推理,我们建立了一个语义之间的联系,通过提供结构表示的视觉和推理。这一增加使得一种新的类型的抽象推理,通过联合操作的结构表示。使用现代计算机视觉的机器推理能力在这个新提出的数据集进行评估。此外,我们还提供了人的表现作为参考。最后,我们通过结合一个简单的神经模块,结合视觉理解和结构推理,在所有模型中显示出一致的改进。
2019-03-07 cs.AI cs.CV cs.LG
Learn by Reasoning: Analogical Weight Generation for Few-Shot Class-Incremental Learning
State Key Laboratory of Human-Machine Hybrid Augmented Intelligence, Institute of Artificial Intelligence and Robotics, Xi’an Jiaotong University(人机混合增强智能国家重点实验室,人工智能与机器人研究院,西安交通大学);Faculty of Microelectronics, Shenzhen University of Advanced Technology(微电子学院,深圳先进技术大学);College of Software Engineering, Xi’an Jiaotong University(软件工程学院,西安交通大学)
本文提出了一种受人类大脑启发的类比生成方法,通过类比学习机制在少样本类增量学习中提升模型性能。
2026-02-23 cs.AI cs.CV
Learning to Rank based on Analogical Reasoning
Paderborn University(帕德博恩大学)
对象排序或“学习排序”是偏好学习领域中的一个重要问题。基于以一组表示为特征向量的对象排名的形式的训练数据,目标是学习预测任何新对象集合的线性顺序的排名函数。在本文中,我们提出了一种新的方法,对象排序的基础上类比推理的原则。更具体地说,我们的推理模式是根据所谓的类比比例形式化的,可以总结如下:给定对象$A,B,C,D$,如果已知对象$A$优先于$B$,并且$C$与$D$的关系就像$A$与$B$的关系一样,那么(假定)$C$优先于$D$。我们的方法将此模式作为主要构建块,并将其与基于实例的学习和秩聚合的思想和技术相结合。基于对来自不同领域(体育、教育、旅游等)的数据集的第一次实验结果,我们的结论是,我们的做法具有很强的竞争力。在对象来自不同子域的情况下,它似乎特别有趣,因此需要一种知识转移。
2017-11-28 cs.AI cs.LG stat.ML
Generalizing Analogical Inference from Boolean to Continuous Domains
本文提出了一种统一框架,用于实值域中的类比推理,涵盖布尔分类和回归,并推导了误差界限。
2025-11-27 cs.AI cs.LG