通过对多个思维链进行元推理来回答问题

​

Answering Questions by Meta-Reasoning over Multiple Chains of Thought

解决问题：本篇论文旨在解决多跳问答中的问题，即如何有效地利用多个推理步骤，并提供统一的解释和预测答案。相比之前的方法，本篇论文提出了一种新的方法，即多链推理。

关键思路：本文提出了一种新的方法，即多链推理（MCR），通过让大型语言模型对多个推理链进行元推理，而不是聚合它们的答案。MCR检查不同的推理链，混合它们之间的信息，并选择最相关的事实来生成解释和预测答案。与当前领域的研究相比，MCR提供了一种更加全面的解决方案，可以提高多跳问答的性能。

其他亮点：本篇论文使用了7个多跳问答数据集来评估MCR的性能，并证明了其优于强基线。此外，作者还分析了MCR的解释质量，并表明其可以使人类验证其答案。本文未提及是否有开源代码。

关于作者：本文的主要作者包括Ori Yoran、Tomer Wolfson、Ben Bogin、Uri Katz、Daniel Deutch和Jonathan Berant。他们来自以色列理工学院和特拉维夫大学。Ori Yoran曾在谷歌从事机器学习研究，Tomer Wolfson曾在微软研究院工作，Ben Bogin曾在谷歌和IBM研究院工作，Uri Katz曾在微软研究院工作，Daniel Deutch曾在以色列理工学院和微软研究院工作，Jonathan Berant曾在斯坦福大学和特拉维夫大学工作。他们之前的代表作包括“Neural Symbolic Machines: Learning Semantic Parsers on Freebase with Weak Supervision”和“Semantically Conditioned Dialogue Generation with Long-Short Memory Neural Networks”。

相关研究：近期其他相关的研究包括“Multi-hop Reading Comprehension through Question Decomposition and Rescoring”（Jingjing Xu等，华为诺亚方舟实验室），“Multi-hop Knowledge Graph Reasoning with Reward Shaping”（Xin Lv等，清华大学），“Multi-hop Knowledge Base Question Answering with Meta-path Selection”（Yingqi Qu等，南京大学）。

论文摘要：本文介绍了一种名为Multi-Chain Reasoning (MCR)的方法，该方法通过对多个思维链进行元推理，而不是简单地聚合它们的答案，从而提高了多跳问答系统的性能。MCR检查不同的推理链，在它们之间混合信息并选择最相关的事实来生成解释和预测答案。 MCR在7个多跳问答数据集上优于强基线。此外，我们的分析表明，MCR解释具有高质量，使人类能够验证其答案。

​Read More