Prompt——1.Generated Knowledge Prompting for Commonsense Reasoning

核心

是把常识知识融入到prompt，用于推理。
生成知识提示，包括从语言模型中生成知识，然后在回答问题时提供知识作为额外输入。

生成知识提示包括：
(i) 使用少量演示，从语言模型中生成与问题相关的知识陈述；
(ii) 使用第二个语言模型对每个知识陈述进行预测，然后选择置信度最高的预测。

论文贡献

1.调研了外部知识是否对于常识推理有帮助
2.从LLM中产生有用的知识，然后将这些知识融入到带问题的prompt中。

方法效果的影响因素

1.知识的质量
2.知识的数量
3.融入知识的策略（strategy for integrating knowledge during inference）——（1.no knowledge 2. random sentence 3. context sentences 4.template-generated knowledge 5. retrieval-based knowledge ）

方法实现

1.知识生成：利用语言模型基于question生成knowledge statements。
2. 知识融合：生成的知识融入，用于决策推断。
3.在推理时，使用每个generated knowledge statement 做预测，然后，选择highest-confidence 作为最终的prediction。
q表示question，k表示knowledge

选择置信度最大的作为最终的结果输出。

Contrastive learning——A Contrastive Framework for Learning Sentence Representations from Pairwise and Triple-wise Perspective in Angular Space

pairwise （成对）
triple-wise （三元组）

核心

用角度代替了infoloss中的distance，要克服PLM学习到的semantic represenation是各项异性的缺点.
训练目标： Additive Angular Margin Contrastive Loss (ArcCon Loss)。它通过最大化角度空间中的判定余量来增强成对判别能力。
positive pairs: 同一个sentence做的不同rate的dropout.
negetive pairs: the representations of different sentences within the same batch.

训练目标1：对比学习

原来的contrastive learning objective：

论文中使用的additive angular margin ：

其中，θ的计算公式如下：

学习目标2：Triple-wise

对于文本数据集 D 中的每个句子 si，我们首先以20% 的屏蔽率屏蔽 si 的连续片段，生成外部句子 s ′ i。然后，我们扩大屏蔽区域，得到一个新句子 s ′′ i，屏蔽率为 si 的 40% .
假设条件： mask=20% 的句子比mask=40%的句子更相似。

总目标

Larc是角度下的对比学习目标，Ltri是三元组相似度学习目标。