通过应用大规模多任务生成 Transformer 模型的最新进展，我们提出了一种新的 VL-NLE 方法，其提供人类更容易理解的解释，并优于当前技术水平。同时，我们还探讨了高质量 NLE 生成的伦理影响和其他最近 VL-NLE 研究中存在的问题。

Dec, 2022

通过 NExT 方法，我们可以教会大型语言模型检查程序的执行痕迹并通过推理理解其运行行为，从而显着提升程序修复能力。

Apr, 2024

本文总结了解释性自然语言处理领域近年来集中收集人类注释的文本解释，将其分为三类 (highlights, free-text, and structured) 并对其注释方法进行整理，提出了现有采集方法的优点和缺点，给出了未来收集数据集的建议。

Feb, 2021

NLX-GPT 是一个同时能够预测并解释结果的通用、紧凑且准确的自然语言解释模型，能更好地评估困难数据和无标签的交互式自评估攻击。

Mar, 2022

本文提出了一种可解释自然语言理解的框架，使用一小部分人类注释的解释进行训练，并采用变分 EM 方法进行优化，同时提出了基于解释的自训练方法，在两个自然语言理解任务上进行实验，证明了该框架不仅可以在监督和半监督设置下进行有效的预测，还可以生成良好的自然语言解释。

Oct, 2020

通过扩展自然语言推理数据集并引入人工提供的自然语言解释，我们实现了能够学习人类提供解释的机器学习模型，并将其用于提高模型性能和确定其可靠性的研究。

Dec, 2018

本文提出了一种新的框架 LIREx，该框架包含一个基于原因的解释生成器和一个实例选择器，用于选择只与 NLI 模型相关的合理 NLEs。该框架在 SNLI 数据集上达到了 91.87％的准确度，并在多领域数据集上实现了显著提高的性能。

Dec, 2020

本研究介绍了学习基于人类解释的方法，并比较了使用不同解释类型和机制的不同方法，以帮助从业者选择特定用例的最佳方法。

Apr, 2022

本文介绍了一种神经语义解析器，可以将自然语言表达式映射到逻辑形式，以在特定任务环境中执行，如知识库或数据库，生成响应。解析器使用基于转换的方法生成具有树形结构的逻辑形式，结合由逻辑语言定义的通用树生成算法和领域一般性操作。解析器的生成过程由结构化循环神经网络建模，提供句子上下文和生成历史的丰富编码，以进行预测。为了解决自然语言和逻辑形式标记之间的不匹配，探讨了各种注意机制。最后，我们考虑了神经语义解析器的不同训练设置，包括全监督训练、弱监督训练和远程监督训练。对各种数据集的实验表明了我们解析器的有效性。

Nov, 2017

本文针对半监督学习中 NL utterances 匹配 program 的任务，提出了一种新的方法 —— 鼓励 parser 为未标注 utterances 生成可执行的 program，并从后验正则化的角度提出了一组新的训练目标，实验显示这些新目标优于常规方法，使半监督和监督学习之间的差距缩小。

Apr, 2021