反事实故事推理和生成
本研究提出了反事实推理模型,在学习少量反事实样本的基础上,通过生成对于每个正面事实样本的代表性反事实样本,并使用回顾模块根据对比反事实和正事实样本来检查模型预测,从而模拟对于困难测试样本的人类反事实思维。该方法在情感分析和自然语言推理方面的广泛实验验证了其有效性。
Jun, 2021
我们提出了一种自然的反事实框架和一种生成自然反事实的方法,该方法与实际世界的数据分布相一致,有效地改进了反事实推理并引入了创新的优化框架控制反事实推理的回溯程度。实证实验表明我们的方法的有效性。
Feb, 2024
通过调查五种预训练语言模型在特殊条件下进行的逆向推理,发现这种逆向推理主要受到基于单词关联的影响,只有 GPT-3 能够展现对语言细微差别的敏感性。
May, 2023
本文描述了解决 SemEval-2020 任务 5 的努力,该任务涉及检测称为反事实的一类文本表达式并将其分解为其组成部分。
Jul, 2020
本文提出了 NeuroCounterfactuals 方法,通过松散的对比事实产生更大规模的编辑,从而使得生成的文本包含语言多样性,同时与原始文档相似,使得训练数据增强在情感分类方面取得了良好的效果。
Oct, 2022
通过提出一个新的反向翻译的评估方法,我们针对自然语言处理模型和任务的解释方法的一致性问题进行了调查和分析,并提出了一种新的测量指标来评估不同特征的反事实生成方法的一致性。
May, 2023
在机器学习中,理解分类器推荐或预测背后的推理对用户非常重要。然而,学习的模型通常太复杂,以至于人类难以理解。本文提出了一个通用框架,用于在文本领域生成反事实解释,这个框架是不限于模型、表示和领域的,并且可以随时使用。本文将任务建模为通过替换文本的各个部分来转换初始状态为分类文本的搜索问题,包括独立于领域的运算符,但也可以通过专门的运算符利用领域特定的知识。搜寻算法试图找到距离原始分类对象具有最小的基于单词级别的 Levenshtein 距离的互补类文本。
Nov, 2022
本文研究了因果推理和逻辑推理在机器智能的应用下的关系,提出了 Counterfactual Collaborative Reasoning (CCR) 方法,通过进行反事实逻辑推理对数据进行增强,提高了模型性能和透明度。实验结果表明,CCR 方法显著优于使用隐式数据增强的模型和未增强的模型,并且能够生成反事实解释,提高模型的透明度。
Jun, 2023