我们提出了一种可解释的关系抽取方法，通过联合训练分类器和序列模型的标签在关系上下文中进行解释，采用半监督方法训练序列模型，将模型输出转换为规则，提高了关系分类器的性能。

Apr, 2022

提出了一种基于 GPT-3 生成自然语言解释并使用 RoBERTa 进行微调的两阶段 Few-shot 学习框架 FLamE，可以显著提高自然语言推理的准确性，但生成的解释并不能很好地说明分类决策，并指出标签特定的提示在生成的解释中起着重要作用。

Jun, 2023

本文介绍了一种名为 ExPred 的新方法，采用多任务学习的方法，在任务输入的解释生成阶段有效地平衡了解释和预测的损失，并使用另一个预测网络来优化任务性能。在三个不同的语言数据集上进行了广泛的评估，发现我们明显优于现有方法。

Jan, 2021

通过分析检索到的段落对阅读器模型性能的贡献和必要性，以及在令牌级别上消除一些可能对答案生成过程没有贡献的检索信息，我们证明了我们的方法能够在最多减少 62.2% 运行时间的同时，只有 2% 的性能下降甚至在某些情况下提高性能结果。

Oct, 2023

介绍一种用于 Open-Domain Question Answering 系统的 Rational Fusion-in-Decoder (RFiD) 模型，该模型利用 FiD 的编码器来区分因果关系和虚假特征，从而指导解码器生成基于此判断的答案，并在两个 ODQA 数据集上实现了最高 1.5 和 0.7 的精确匹配得分提高

May, 2023

本文提出了一种新的方法，利用 Transformer 模型进行抽取式问答。该方法利用预训练的生成式模型，并结合内部 cross-attention 机制实现了良好的表现，同时使用较少的参数，使模型能够进行幻觉式推断，并提高模型重排相关段落的能力。

Oct, 2021

该研究提出了一种基于 Query Focused Extractor (QFE) 模型的可解释的多跳问答系统，使用多任务学习并结合了问答模型进行证据点提取，实验结果表明该模型在 HotpotQA 和 FEVER 任务中达到了最佳证据提取效果。

May, 2019

本文提出了一种简单而具有解释性的生成方法 (PathFid)，通过显式建模推理过程来解决多跳问题的答案生成。通过线性化支持段落、关键句子和事实答案的分层推理路径，将问题作为单一序列预测任务，并编码跨段落互动以促进复杂推理。实验证明，PathFid 在 HotpotQA 和 IIRC 两个多跳 QA 数据集上均具有很强的表现优势，并且结果更接近支持文本和事实。

May, 2022

本文介绍了 FiD-Light 模型，通过限制编码器向解码器的信息流并使用文本源指针来重新排名，从而强烈增强了最新的 retrieval-augmented FiD 模型的性能，提高了文本生成和 provence 检索评估任务的新的最先进结果。

Sep, 2022

本研究探讨了上下文数量和质量对基于检索增强生成模型的训练性能的影响，并提出了一种通过引入偏差来缓解对特定上下文质量过拟合的方法，能够有效提高该模型在不同上下文质量下的表现。

Mar, 2024