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

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

本文介绍 TabFact 数据集，其中包含 118k 人工标注的自然语言陈述，并以 16k 个 Wikipedia 表格作为证据，同时介绍了 Table-BERT 和 LPA，这两种算法都能在半结构化数据情况下进行事实验证，都有优点和不足之处，但是都能被进一步开发优化。

Sep, 2019

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

本研究提出基于核的图注意力网络 (KGAT)，利用节点核函数和边缘核函数，在证据图中进行更细粒度的证实验证，相比于点积注意力，核心注意力更能集中于相关证据句子和证据图中的有意义的线索，从而在 FEVER 测试数据集上取得了较高的 70.38% FEVER 得分，明显优于现有的事实验证模型。

Oct, 2019

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

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

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

本文提出了一种分解复杂语句为简单子问题，并以程序为指导构建伪数据集进行分解模型训练的方法，从而增强事实验证模型的中间证据，通过实验证明，在 TabFact 基准测试中取得了 82.7％的最新最佳性能。

Sep, 2021

本文提出一种新颖的系统，利用因果关系理论，通过探测式显著性估算方法确定语句的令牌级显著性，从而尝试在文本语句与表格数据之间建立联系和推理，进而应用显著性感知的数据增强技术来生成更多样化的训练实例，并结合该技术在 TabFact 数据集上取得了超过所有先前方法的最优性能。

Sep, 2021