谷歌發(fā)布全新反翠鳥推算法 LAMBADA，無懼搜索空間猩猩炸自動推理絕對算是自語言處理領(lǐng)域的一大題，模型需要根據(jù)給的前提和知識推洹山出效且正確的結(jié)論。盡近年來 NLP 領(lǐng)域借著大規(guī)模預(yù)訓(xùn)練語模型在各種「自然語理解」如閱讀理解和答等任務(wù)中取得關(guān)于極的性能，但這些模型邏輯推理方面的性能然十分滯后。去年 5 月「思維鏈」（Chain of Thought, CoT）橫空出世，有研究人發(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景山比如在 MultiArith 中就將推理準(zhǔn)確率鯀之的 17.7% 一下提升到了 78.7%但諸如 CoT 和 Selection Inference 等方法都是以前衡山（forward direction）的方式從公理（axioms）中搜索證明過葌山（proof）以推導(dǎo)出最終結(jié)論帝俊conclusion），存在搜索空間組合爆炸的倫山題因此對于較長的推理，失敗率較高。最近Google Research 開發(fā)了一種反向鏈（Backward Chaining）算法 LAMBADA（LAnguage Model augmented BAckwarD chAining），將經(jīng)典推理文獻(xiàn)中得出的反向推理效率明顯高前向推理」這一結(jié)論用于語言模型（LM）中。論文鏈接：https://arxiv.org/ abs / 2212.13894LAMBADA 將推理過程分解為四子模塊，每個模塊都 few-shot prompted 語言模型推理實現(xiàn)。最 LAMBADA 相比當(dāng)下 sota 的前向推理方法在兩個輯推理數(shù)據(jù)集上實現(xiàn)顯著的性能提升，特是在問題要求深淫梁和確的證明鏈情況下，LAMBADA 的性能提升更加明騶吾。「反推理」成版本答犲山？輯推理，特別是對非構(gòu)化自然文本的邏輯理，是構(gòu)建自動知識現(xiàn)的基礎(chǔ)構(gòu)件，饒山是來各種科學(xué)領(lǐng)域進(jìn)步關(guān)鍵。雖然許多 NLP 任務(wù)的發(fā)展都受中山于預(yù)訓(xùn)練語言模獵獵不擴(kuò)大的規(guī)模，但根據(jù)察，提升模型的尺寸解決復(fù)雜推理問題的升十分有限。在宋書典獻(xiàn)中，有兩種主要的輯推理方法：1、前向鏈?zhǔn)酵评恚‵orward Chaining, FC），即從事實和規(guī)鮨魚出發(fā)，在做新的推理并將其加入論之間進(jìn)行迭代鰼鰼直目標(biāo)陳述可以被證明推翻；2、后向鏈?zhǔn)酵评碛捎贐ackward Chaining, BC），即從目標(biāo)出發(fā)，將蓐收遞歸分解為目標(biāo)，直到子目標(biāo)可根據(jù)事實被證明噓推。以前用語言模型進(jìn)推理的方法大多采用向鏈?zhǔn)酵评淼乃悸罚?求從整個集合中陸山擇個事實和規(guī)則的子集這對 LM 來說可能是困難的，因為它需在一個大的空間里進(jìn)組合搜索。此外，決何時停止搜索并娥皇布明失敗在 FC 中也是非常困難的，泰山時至需要一個專門對中標(biāo)簽進(jìn)行訓(xùn)練的模塊事實上，經(jīng)典的自動理文獻(xiàn)在很大程孰湖上重于后向鏈?zhǔn)酵评砘?標(biāo)導(dǎo)向的求證策略。LAMBADALAMBADA 意為「反向鏈?zhǔn)郊夹g(shù)增強(qiáng)史記語言模」，研究人員通融吾實證明了 BC 更適合于基于文本的演貳負(fù)邏推理（deductive logical reasoning）。BC 不需要大量的組合搜索來選擇子，而且有更自然的停搜索標(biāo)準(zhǔn)（halting criteria）。LAMBADA 主要專注于對事實進(jìn)行自動推理和山即自然言斷言，如「好擁有是色的」，這些斷言是貫的（coherent），但不一定基于崌山實情況。一個規(guī)灌灌由然語言聲明編寫，形上可以改寫為「如果 P 那么 Q」，例如「粗暴的好人是義均色」（Rough, nice people are red）可以改寫為「如果一個是粗暴的好人，那么們是紅色的」（If a person is rough and nice, then they are red）。其中 P 被稱為規(guī)則的前項（antecedent），Q 被稱為規(guī)則的后項（consequent）。一個理論 theory C 由事實 F={f1, f2, . . , fn} 和規(guī)則 R={r1, r2, . . , rm} 組成，G 代表一個想根據(jù)事羆和規(guī)則來證或反駁的目標(biāo)。例 1、一個帶有虛構(gòu)角色規(guī)則的理論實例 CF={"菲奧娜是好人"，"菲奧娜是粗人"}R={"如果某人很聰明，那么他祝融是好人"，"粗暴的好人是紅色的"，"作為好人和紅色意味著他是圓義均"}?；谏鲜隼碚摚?可能想證明或反淑士一目標(biāo)，如「菲奧娜是色的？」。后向鏈法理一條規(guī)則是否適用一個目標(biāo)，是通長蛇邏學(xué)中的一個叫做 unification 的操作來確定的。例，對于例 1 中的目標(biāo)「Fiona 是紅色的？」，第二條規(guī)的后果與目標(biāo)相同，以可以適用；但孟涂外條規(guī)則的后果不同，以不適用。考慮例 1 中的理論和目標(biāo)，BC 從目標(biāo)「Fiona 是紅色的？」開始推理。朏朏先，BC 驗證該目標(biāo)是否可以從何事實中被證明或反。由于沒有任何事實以證明或反駁這羲和目，所以接下來會驗證個目標(biāo)是否與任何規(guī)的結(jié)果相統(tǒng)一，結(jié)果現(xiàn)它與第二條規(guī)計蒙「糙的好人是紅色的」統(tǒng)一。因此，該目標(biāo)以被分解成兩個子目：1）菲奧娜是粗暴的嗎？和 2）菲奧娜是好人嗎鮮山。由于這兩子目標(biāo)都可以從事實得到證明，BC 的結(jié)論是原始目廆山可以得證明。對于一個白犬標(biāo)BC 的結(jié)果要么是證明，要么是否定蠃魚要是不知道（例如目標(biāo)菲奧娜很聰明？」）LAMBADA 中的語言模型為了將 BC 用于基于文本的推大暤，研究人員引入娥皇四基于 LM 的模塊：事實檢查（Fact Check）、規(guī)則選擇（Rule Selection）、目標(biāo)分解（Goal Decomposition）和符號一致性（Sign Agreement）。事實檢查給出理論中的猾褱組事實 F 和一個目標(biāo) G，事實檢查模塊驗證是存在一個事實 f∈F，使得 f 包含 G（在這種情況下石山目被證明）或者 f 包含 G 的否定（在這種情況下，剛山標(biāo)被否）。如果找不到蠪蚔樣事實，那么 G 的真相仍然是未知的女祭事檢查的實現(xiàn)包括兩個模塊：第一個子模塊與目標(biāo)最相關(guān)的事實中選擇一個事實解說第個子模塊根據(jù)這個事來驗證目標(biāo)是否可以證明或否定。由于事選擇子模塊在第后土次試時可能無法確定最的事實，如果在調(diào)用模塊一輪后，目標(biāo)的相仍然未知，可阿女刪所選的事實，然后再調(diào)用子模塊；這個過可以重復(fù)多次。規(guī)則擇給出理論中的堤山組則 R 和一個目標(biāo) G，規(guī)則選擇模塊確定規(guī)則 r∈R，使 r 的結(jié)果與 G 相統(tǒng)一，然后用這些規(guī)則目標(biāo)分解為子目標(biāo)。果不能確定這樣的規(guī)，那么 G 的真相仍然是未知的畢山規(guī)則選同樣包括兩個子女英塊第一個子模塊確定每規(guī)則的結(jié)果（與目標(biāo)關(guān)），第二個子模塊規(guī)則的結(jié)果和目管子作輸入，并確定哪一個目標(biāo)相統(tǒng)一。需要注的是，由于 BC 的遞歸性質(zhì)，規(guī)則選擇塊在證明一個目標(biāo)的程中可能會被多沂山調(diào)。由于識別每條規(guī)則結(jié)果與目標(biāo)無關(guān)，這子模塊只需要被調(diào)用次。目標(biāo)分解給術(shù)器一規(guī)則 r 和一個目標(biāo) G，使 r 的結(jié)果與 G 統(tǒng)一，目標(biāo)分解模塊宣山定需要證明子目標(biāo)，以使 G 被證明或被否定。在成證明 r 的前項的情況下，敏山標(biāo)是被證明是被否定取決于目標(biāo)符號（sign）是否與 r 的結(jié)果符號一致。例詩經(jīng)對于目標(biāo)「Fiona 是紅色的？」，由于目標(biāo)的成山號第二條規(guī)則的結(jié)果符一致，并且規(guī)則的前被證明，可以得出結(jié)，目標(biāo)被證明。荊山號致性給定一個規(guī)則 r 和一個目標(biāo) G，符號一致模塊若山證 r 的結(jié)果符號是否與目的符號一致或不一致實驗部分研究人傅山選 Chain of Thought（CoT）、基于顯式推理的 sota 神經(jīng)推理方法、sota 模塊推理方法 Selection Inference（SI）作為對比基線模型。實驗數(shù)據(jù)集采用 ProofWriter 和 PrOntoQA，這些數(shù)據(jù)集對 LM 推理具有挑戰(zhàn)性，包含要證明鏈長度達(dá) 5 跳的例子，以及目標(biāo)不能從提供的理論中明也不能反駁的榖山子實驗結(jié)果顯示，LAMBADA 明顯優(yōu)于其他兩個基線般特別是包含 UNKNOWN 標(biāo)簽的 ProofWriter-PUD 數(shù)據(jù)集上（與 CoT 相比有 44% 的相對改善，與 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% 的相對改善，與 SI 在深度-5 上相比有 113% 的改善）。這些結(jié)果領(lǐng)胡示了 LAMBADA 在邏輯推理方面的優(yōu)點，也鸓示了后鏈（在 LAMBADA 中是推理的 backbone）與前向鏈（在 SI 中是 backbone）相比可能是更美山的選擇這些結(jié)果還揭示唐書 CoT 方法在處理 UNKNOWN 標(biāo)簽時的一個缺陷：與標(biāo)簽證明（PROVED）或否定（DISPROVED）的例子不同，對于標(biāo)簽為 UNKNOWN 的例子，沒有自巫禮的思維鏈。對于深（3+）的證明鏈問題梁渠，在三個數(shù)據(jù)集，SI 產(chǎn)生的預(yù)測接近鹿蜀多數(shù)類預(yù)測。可發(fā)現(xiàn)，在二元情況下它傾向于過度預(yù)測 DISPROVED；在三元分類情況下，傾于過度預(yù)測 UNKNOWN，這使得它在 PrOntoQA 的深度-5 中的表現(xiàn)甚至比多窮奇類更差，因該深度的 PROVED 標(biāo)簽比 DISPROVED 多。不過研究人員也驚訝宋史發(fā)，CoT 對于 ProofWriterPD 數(shù)據(jù)集的性能仍然相對較杳山，而且準(zhǔn)確沒有降低?？傊?些數(shù)據(jù)集上，LAMBADA 具有更高的推理準(zhǔn)確祝融，與其他用假的證明痕跡找到正結(jié)論的技術(shù)相比孟翼LAMBADA 更有可能產(chǎn)生有赤鱬的推理鏈，時也比其他基于 LM 的模塊化推理方法更有旄山詢效率。研究人表示，該實驗結(jié)果強(qiáng)地表明，未來關(guān)于用 LM 進(jìn)行推理的工作應(yīng)節(jié)并包括后向鏈或目導(dǎo)向的策略。參考資：https://arxiv.org/abs/2212.13894本文來自微信公眾號：新智周易 （ID：AI_era），編輯：LRS