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

该论文提出了一个连接的系统，包括三个同构神经语义匹配模型，用于联合进行文献检索、句子选择和索证，以进行事实提取和验证。实验结果表明，该神经语义匹配方法在所有证据检索指标上都显著超越了常见的 TF-IDF 和编码器模型，并通过提供内部语义关联得分和词汇网特征等方法，改进了 NLI 模型的性能，从而在 FEVER 测试集上取得了最优结果。

Nov, 2018

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

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

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。

Jul, 2019

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

本研究提出了一种基于证据的假新闻自动检测框架 GET，该框架采用图形结构学习方法将索证和索证的长距离语义依赖关系整合起来，从而有效避免了序列模型在验证新闻真实性方面存在的缺陷。作为一项重要的技术创新，GET 的有效性已经得到了充分验证。

Jan, 2022

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

本论文提出了 LogicalFactChecker，这是一种基于神经网络的方法，能够利用逻辑操作来进行事实检查，并且在 TABFACT 数据集上实现了最先进的性能，通过 Transformer-based 架构构建基于图形模块网络的异构图使得每个单词在语句、表格和程序中的相关上下文都能被观察到，并通过程序驱动的模块网络进一步利用了程序的层次结构。

Apr, 2020

本文提出了一种新的零射击方法，将声称和证据句子转化为语义三元组并使用大型语言模型进行自然语言推理，从而在没有特定训练数据的敌对数据集和领域中广义推广，在 FEVER、FEVER-Symmetric、FEVER 2.0 和 Climate-FEVER 数据集上优于先前的零射击方法，同时在敌对和异域数据集上与监督模型相当甚至更好。

Dec, 2023