认识 LAMPP，这是麻省理工学院将背景语言知识整合到决策问题中的一种新人工智能方法

在现实生活中，在不确定的情况下做决定时运用常识很重要。 说他们想标注图的情况。 图 1 的标签。一旦确定了几个关键特征，就很明显图片显示的是一间浴室。 一些标签更容易解决，比如墙上的镜子而不是窗帘或浴帘。 预期项目或事件的先验知识对于视觉任务以及理解他人的行为至关重要。 这些期望对于对象分类和阅读理解也是必不可少的。

文本语料库与机器人演示和分割图像不同，每个人都可以访问。 它们几乎涵盖了人类经验的所有方面。 机器学习模型目前使用特定于任务的数据集来确定过去大多数问题领域的标签和判断的分布。 如果训练数据倾斜或稀疏，则可能会导致系统错误，尤其是在稀有或分布之外的输入上。 他们如何为模型提供更广泛、更具适应性的过去知识？ 他们建议使用语言模型，即自然语言字符串的学习分布，作为需要通用性的任务的概率先验。

它们已被用作从回答常识性问题到建模故事和脚本，再到合成语言处理和文本生成的概率算法等任务中的先验知识来源。 这些数据集通常比用于编码此信息的较小的、特定于任务的数据集更加多样化和准确。 例如，他们可以编码盘子属于厨房和餐厅，最好在搅拌前打碎鸡蛋。 这种语言监控被认为有助于在难以通过第一手经验学习的领域中增强人类常识。

来源和详细信息：
https://www.marktechpost.com/2023/02/19/meet-lampp-a-new-ai-approach-from-mit-to-integrate-background-knowledge-from-language-into-decision-making-problems-by-extracting-probabilistic-priors-from-language-models/