ACLMar, 2021

通过正则化进行段落级别的理由提取：以欧洲人权法院案例为例

PDF
TL;DR该篇研究探讨了关于 NLP 中的可解释性或解释性是如何应用在法律文本中的，为了更好的满足用户的需求，我们提出了一种基于段落的理由提取的方法，并引入了一个新的数据集，对已有的规则进行了研究和探究。结果表明，该任务非常具有挑战性并需要深入研究。
interpretabilityexplainabilitynlplegal textrationale extraction
发现论文，激发创造
  • REFER: 解释规范化的端到端关键抽取框架

    我们提出了一种名为 REFER 的框架，利用可微分的 rationale extractor 来通过在训练过程中使用人工标注的重点提取训练任务模型和 rationale extractor，从而在忠实度、可信度和下游任务准确率方面显著提升性能。

    Oct, 2023

  • 再审视用于可解释 NLP 的人工标注

    通过对可解释 NLP 中两个广泛使用数据集上人类注释行为及其质量进行的实验表明，工作者的资质和注释过程的细节有着显著影响，并且特定的可解释性方法会随着不同指导下获得的 ground truth rationales 而有所不同。因此，研究人员需要提供完整的注释细节并谨慎解释使用这些注释所得到的实验结果的重要性。

    Apr, 2022

  • 无锁多方面文本分类理性化

    本文提出了一种多阶段培训方法，将自我监督对比损失纳入其中，并证明可以帮助生成更多语义多样的理性化解释，从而改善了啤酒评论数据集的实验结果，并解决了互锁问题。

    May, 2022

  • 理念的理性化

    提出一种自我解释模型 ConRAT，它从输入文本中提取概念，并使用关键概念的线性聚合来解释结果，以可解释性和预测性能方面超越了最先进的方法。

    May, 2021

  • 通过半监督蕴涵信号实现合理提取的理由化

    通过在部分监督下基于自然语言推理模型对合理性解释模型进行了优化，无需访问真实标签，提高了性能，并实现了与监督提取模型相当的结果和优于无监督方法 100% 以上的性能。

    Feb, 2024

  • 可解释 NLP 的合理化探索：一项调查

    文章分析了 2007-2022 年间自然语言处理领域合理化 (Rationalization) 技术的发展现状和存在的问题，提出了一种新的可解释人工智能技术领域 Rational AI (RAI) 并讨论未来的研究方向和挑战。

    Jan, 2023

  • 从法律判决中提取与查询相关的段落

    针对从法律判决中提取相关段落的任务，本文构建了一个专门的数据集，并评估了当前检索模型的性能，同时还使用不同模型建立了微调基准。结果突显了微调和零 - shot 方法之间的显著差距，强调了处理法律领域中分布偏移的挑战。本文还探讨了各种参数高效微调方法，并在信息检索的背景下评估了它们的实用性，为不同预训练和模型架构选择参数高效微调方法提供了启示。

    Mar, 2024

  • 探索使用人类理由的文本分类器的模型性能和解释可信度之间的权衡

    我们提出了一种方法，将人类决策的解释性文本注释引入文本分类模型，从而提高模型解释的可信度，并通过多目标优化算法在性能和可信度之间达到平衡，从而显著提高模型解释的质量。

    Apr, 2024

  • 关系抽取的连续理由提取：合理思考所见

    本文提出了一种新的关系抽取框架 RE2，通过运用连续性和稀疏性因素来获取有关联且连贯的理由，从而解决了保留相关内容和移除噪声段落的难题。

    May, 2023

  • 神经预测的理性化

    通过提取文本来生成短而连贯的理由 —— 根据规则确保足以做出准确预测的 —— 以代替不带理由的预测，该方法结合了生成器（分配文本碎片的候选理由）和编码器（用于预测）。从未给予判据，而是让模型符合对规则的要求。本文还在多方面情感分析和问题检索任务中成功验证了此方法。

    Jun, 2016