-
公开(公告)号：CN116432643A
公开(公告)日：2023-07-14
申请号：CN202310455865.6
申请日：2023-04-25
申请人： 合肥工业大学
IPC分类号： G06F40/289 , G06F18/24 , G06F18/25 , G06F18/214 , G06N3/0455 , G06N3/048 , G06N3/08
摘要： 本发明公开了一种针对情境感知的自然语言推理任务的因果去偏方法，其步骤包括：1，建立基于情境感知的自然语言推理任务的因果图和深度神经网络模型；2，建立基于对比损失和交叉熵损失的混合损失函数；3，在公开多模态数据集上训练建立的深度神经网络模型；4，构建基于情境感知的自然语言推理无偏数据集，利用建立好的网络模型在有偏和无偏数据集上进行推理。本发明能够有效去除文本中的偏差，从而能实现更高精度的推理关系预测。
-
公开(公告)号：CN116894439A
公开(公告)日：2023-10-17
申请号：CN202310890872.9
申请日：2023-07-19
申请人： 合肥工业大学
IPC分类号： G06F40/30 , G06F40/216 , G06F18/214 , G06F40/289
摘要： 本发明提供一种面向文本语义推理的标签感知去偏因果推断方法、系统、存储介质和电子设备，涉及自然语言推理技术领域。本发明利用因果推断技术方法进行文本语义无偏推理时，通过对标签中所蕴含的有偏信息进行细粒度建模，利用该建模信息辅助分析输入和输出之间的虚假关联，保证了对虚假关联的准确建模分析，能够在保证推理准确性的基础上，提升模型的无偏推理效果。此外，该方法是模型无关的，能够适用于各类文本语义表示和推理方法，具有良好的泛化性能和适用性。
-
公开(公告)号：CN118504690A
公开(公告)日：2024-08-16
申请号：CN202410660045.5
申请日：2024-05-27
申请人： 合肥工业大学
摘要： 本发明公开了一种针对公平感知认知诊断任务的路径因果推理的答题预测方法，包括：1，建立包含敏感属性的认知诊断任务因果图，并用于构建深度神经网络模型；2，建立基于交叉熵损失的混合损失函数；3，在教育数据集上训练深度神经网络模型；4，利用训练好的网络模型对学生答题能力进行预测。本发明能够有效去除教育数据集中敏感属性所带来的偏差，从而实现更加公平的答题能力预测。
-
公开(公告)号：CN116341515A
公开(公告)日：2023-06-27
申请号：CN202310205380.1
申请日：2023-03-06
申请人： 合肥工业大学
IPC分类号： G06F40/211 , G06N20/00
摘要： 本发明公开了一种面向对比学习的动态课程的句子表示方法，属于自然语言处理领域，其步骤包括：1.对输入的数据通过数据增强的方式构建正样本。2.将经过数据增强后的正样本句子与锚点句子进行相似度计算，作为正样本的难度。3.对增强后的句子的难度进行降序排列。4.计算当前模型的能力来确定训练样本。5.训练中保存并加载最优模型并重新对样本难度进行划分。6.通过对比学习拉近与锚点句子更相似的正样本从而获得更高质量的句子表示。本发明通过利用课程学习的思想来缓解因数据增强导致句子表示质量不一致从而影响对比学习中模型的性能，来对增强后的正样本进行难度排序，从而能生成更高质量的句子表示。
-
-
-
搜索结果
4 条记录 (耗时 0.021 秒)
