ACLJul, 2019

基于图的聚合证据和推理的事实验证

PDF
TL;DR本文提出了一种基于图的证据汇聚和推理（GEAR）框架，可以从多个证据中提取信息，并利用 BERT 模型进一步提高性能，最终在 FEVER 基准测试集上取得了 67.10% 的测试分数。
fact verificationevidence retrievalgraph-based evidence aggregatingbertmulti-evidence information
发现论文，激发创造
  • GERE: 用于事实验证的生成式证据检索

    该论文提出了 GERE，一个通过生成方式检索证据的系统，以解决事实验证中的技术难题，即减少存储和计算成本，捕捉文档和句子之间的依赖关系，动态地选择每个索赔的相关证据，超越现有技术基线。

    Apr, 2022

  • 基于语义层面图的事实核查推理

    本文提出了一种适合推理证据语义结构的方法，并结合预训练模型和图卷积网络、图注意力网络来提高事实核查的准确性，实验证明丰富的结构信息对事实核查有所帮助，并且所提出的模型在官方评测中均获得了最佳表现。

    Sep, 2019

  • 基于逻辑级别证据提取与基于图的验证网络的表格事实验证

    提出了 Logic-level Evidence Retrieval and Graph-based Verification network (LERGV) 框架，将基于表格的事实验证任务作为证据检索和推理框架来进行，通过检索逻辑级别证据和构建基于图的推理进行最终蕴含关系的分类。在大规模基准数据集 TABFACT 上的实验结果表明了所提出方法的有效性。

    Sep, 2021

  • 面向题目感知的证据推理和立场感知的聚合用于事实核查

    该研究提出了一种主题感知证据推理和立场感知集成模型来更准确地验证事实，重点在于检查索赔和证据之间的主题一致性，维护多个证据之间的主题连贯性，确保全局主题信息和证据的语义表示之间的语义相似性，并基于证据对索赔的隐含立场聚合证据。

    Jun, 2021

  • 多证据基于机密图神经网络的事实验证

    Fact verification tasks using a Confidential Graph Attention Network (CO-GAT) with a node masking mechanism achieve a 73.59% FEVER score on the FEVER dataset and show generalization ability to science-specific domains.

    May, 2024

  • 利用上下文感知线性化进行图形推理，实现可解释的事实提取和验证

    本文提出了一个端到端的事实提取和验证系统，使用文本和表格证据，探讨了多任务学习图注意力网络同时训练证据提取和真实性预测任务，单独学习真实性预测和分离式证据提取的操作，并通过表格线性化模板捕捉表格数据的上下文和内容。最佳模型在盲测试数据中获得 FEVEROUS 得分 0.23 和 53% 的标签准确性。

    Sep, 2021

  • DeSePtion: 双序列预测和对抗样本用于改善事实检查

    本研究探讨了当前的事实检查系统面临的挑战，介绍了一种新的对抗性数据集，并提出了一种新的系统来处理多种类型的谎言，通过多个指针网络进行文档选择，并联合建模一系列证据句子和真实性关系预测，具有更优异的证据检索表现。

    Apr, 2020

  • 基于证据的事实核查的多级注意力模型

    提供一种可以在序列结构上进行训练的模型，通过不同层次的句间注意力和联合训练来有效捕捉主张和证据之间的关系，结果表明可以优于基于图结构的方法达到更好的验证精度和 FEVER 得分

    Jun, 2021

  • 文本和表格的异构图推理进行事实核查

    我们提出了一种用于事实检查的新型基于异构图的模型，名为 HeterFC，它通过一个关系图神经网络进行信息传播，在声明和证据之间促进交互，并结合语言模型生成预测。我们引入了一个多任务损失函数来考虑证据检索的潜在不准确性。综合实验证明了 HeterFC 的有效性。

    Feb, 2024

  • 基于自然语言逻辑的自回归多跳文档检索方法用于事实核查

    我们提出了一种基于自回归公式的检索和重新排序方法，该方法用自然逻辑为基础，使用证明系统动态终止检索过程，同时使用比竞争系统少 5 到 10 倍的记忆，对 FEVER、HoVer 和 FEVEROUS-S 等数据集具有与当前最先进方法相当的性能。

    Dec, 2022