寻找故事的合理结局:逻辑关系是否有助于故事填空测试?
通过引入基于逻辑推理的框架,创造出基于逻辑规则的非常透明的模型决策,从而提高自然语言推理模型的可解释性和鲁棒性,并在减少数据的情况下更进一步地改善了模型性能和鲁棒性。
May, 2022
本文介绍了一种通过利用自然语言关联性来提高机器的阅读理解性能的方法:使用独立的问答系统进行问答任务和自然语言推理系统对选择对之间的关系进行分析,然后通过基于整数线性规划的关系框架进行推理,提高独立问答系统的决策能力。此外,本方法还提出了一个多任务学习模型。
Dec, 2020
本文介绍一个新的 “Story Cloze Test” 框架来测试一个系统对五句子情景的理解和故事学习,同时介绍了用于此框架的新语料库 ROCStories,用于在日常事件之间捕捉因果和时间共识关系的同时收集高质量的日常生活故事。实验证明现有的浅层语言理解模型不能高分通过 Story Cloze 测试,这对剧本和故事的学习提出深层次的理解建议。
Apr, 2016
本文探讨了如何评估语义特征对语言模型预测的因果效应以及如何利用因果分析方法构建比较模型来评估 NLI 任务,强调因为可解释性和模型评估的需要,对于具有足够结构化和规律性的推理模式进行系统分析是非常有价值的
May, 2023
本篇论文介绍了一个新的 NLI4CT 资源,包括两个主要任务:确定自然语言陈述和 CTR 之间的推理关系以及检索支持事实以证明预测关系。该资源暴露了现有 NLI 模型的局限性,为 CTR 推理提供了基础,大大推进了 CTR 的个性化医疗领域的研究。
May, 2023
本文提出了一种运用知识图谱的结合方法来提高自然语言推理问题(NLI)领域中性能的技术,该技术在文本、图形和文本到图形的模型上均取得了最新的最优表现,并讨论了外部知识在解决 NLI 问题中的实际意义。
Sep, 2018
本文提出一种基于对偶句子级别的监督对比学习(PairSCL)方法,采用交叉注意力机制学习句子对的联合表示,并使用对比学习目标来区分不同类别的句子对,在两个公共 NLI 数据集上,PairSCL 的准确性平均优于其他方法 2.1%,并在文本分类的七个转移任务上超过了先前的最新方法。
Jan, 2022
利用因果效应估计策略衡量上下文干预和插入词对于推理标签的影响,通过广泛的干预研究验证模型对不相关变化的稳健性和对有影响变化的敏感性。
Apr, 2024
介绍一种新的基于长文本语境下的对比学习模型 ConTRoL,该模型具有一定难度,能够检测语境推理中的各种类型,并且在测试中结果表明该模型比自然语言处理的最先进模型表现得更好,同时还可进行事实正确性验证任务。
Nov, 2020