AAAIJan, 2020

基于知识图谱的人类可理解事实核查的争论动态

PDF
TL;DR提出了一种基于辩论动态的知识图谱事实检查新方法，利用强化学习代理抽取路径来论证事实真假，并通过二元分类器判断真假；该方法可解释用户决策，允许用户参与推理和评估辩论，提高各类基于知识图谱的人工智能应用的接受度、效率、稳健性和公正性。
发现论文，激发创造
  • 辩论动态下的知识图谱推理

    通过辩论动态理论提出了一种自动推理知识图谱的新方法，以三段式分类为例，该方法基于增强学习代理和二进制分类器解释和预测关于知识图谱中观点真实性的辩论证据，从而可用于知识图谱的推理和链接预测，实验表明该方法优于其他基线模型。

    Jan, 2020

  • DebateKG: 基于语义知识图的自动辩论案例生成

    使用语义知识图谱，通过在竞争性辩论中构建高质量辩论案例的有约束的最短路径遍历，有效地改进了辩论案例生成，并且为 Policy Debate 提供了大规模数据集以及有用的元数据。

    Jul, 2023

  • 人工智能辩论中真相何时受青睐？

    研究人员提出在 AI 解决方案无法得到准确判断的问题中，可通过两个 AI 系统之间的辩论来增强人类法官的问题解决能力，并介绍了一个可建模此类辩论的数学框架，并将辩论设计的质量测量为最有力回答的准确性。

    Nov, 2019

  • 基于语义三元组和知识图谱的零 - shot 事实检查

    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

  • 通过辩论实现人工智能安全

    通过采用自我对弈的零和辩论游戏的方式来训练智能体，以此作为人类判断的替代，来实现 AI 系统对于复杂任务的精准输出，并讨论了辩论模型的理论和实践方面的问题。

    May, 2018

  • 利用论证语义和自然语言论证图网络的自动辩论评估

    本文提出了一种混合方法，通过结合论述框架、语义学、基于 Transformer 的体系结构和神经图网络来自动评估论证性辩论，并获得了有前途的结果，这为自然语言论证的自动分析开辟了新的研究方向。

    Mar, 2022

  • 在知识图谱中查找流以支持事实核查

    介紹了一種基於無監督網絡流的方法來評估主體，述語和客體三元組的真實性，並列舉該模型在多個領域上優於現有算法，同時還能發現有用的路徑模式和相關事實，有助於協助人工查核確認或否定說法。

    Aug, 2017

  • 基于强化学习的知识图推理用于可解释的事实核查

    基于强化学习的知识图谱推理方法在可解释的事实核查中使用有效，通过提供人机交互方法增加了可信度。

    Oct, 2023

  • 辩论有助于监督不可靠的专家

    辩论通过两个不可靠专家的辩论，帮助非专家更可靠地辨别真相，相较于仅由一个专家提供答案的顾问咨询方法在提高了效率的同时，能够显著提升评判的准确性，为监督日益强大但潜在不可靠的 AI 系统提供了有希望的方法。

    Nov, 2023

  • 可解释的概率答集编程事实检查

    本文介绍了一个基于知识图谱的事实检查方法，利用其中的语义表示和逻辑规则进行推理，以产生可解释的结果。实验表明，这种基于概率推理的方法比现有技术水平更具准确性。

    Jun, 2019