EMNLPApr, 2021

使用蕴涵树解释答案

PDF
TL;DR通过生成包含多前提蕴含步骤（即知识事实到问题答案的中间推理结论）的蕴含树形式的解释，本研究提出第一个含有多步蕴含树的数据集 ENTAILMENTBANK，用于培训模型执行三项解释任务。结果表明，当输入包含相关句子时（例如，任务（a）的 35% 结果完美），强大的语言模型能部分地解决这些任务，并具有推广到其他领域的迹象。
open-domain textual question answeringentailment treesentailmentbankexplanation tasksmultistep entailments
发现论文，激发创造
  • 迭代检索生成推理树解释

    我们提出了一种名为 IRGR 的体系结构，它结合了检索步骤和生成步骤，能够解释问题回答，生成包含先前中间结论的层级结构，并在预测方面超过先前的基准模型。

    May, 2022

  • 利用紧凑的负例生成进行主动蕴含编码，构建解释树

    本文旨在将 “依托树” 作为主要方法，探讨如何有效地在大量前提事实列表中有效地构建多级推理树，该方法以主动式前提选择步骤为序列，采用预训练的变形金刚模型迭代的微调来平衡语义关系的编码和解释逻辑建立模型，并在实验中得到了 20% 的有效性提升。

    Aug, 2022

  • Entailer: 用真实和忠实的推理链回答问题

    本研究旨在设计一个问题回答系统，通过系统的推理链条，向外呈现模型回答问题的内部思路过程，并通过回答问题的命题来验证模型是否真正信奉这些命题。本文所提出的系统能够产生多步，忠实和真实的推理链条，能够使人更好地理解模型的判断和思维方式，为纠正和修正模型误解提供新思路。

    Oct, 2022

  • 通过语句组合搜索进行自然语言推理

    本文提出了一种基于自然语言的演绎推理系统，通过将任务分解为逐步协调的步骤，并由搜索程序生成中间结论的树，可以成功地证明真实的语句并拒绝虚假的语句。

    Jan, 2022

  • 基于强化学习的推論樹可解释问答方法 (RLET)

    本文提出了一种基于强化学习的蕴含树生成框架 RLET，通过句子选择和推理生成模块进行单步推理，并积累整个树的训练信号，实现了针对解释性 QA 中的逻辑推理过程，并且在三个数据集上的实验表明了使用强化学习框架的优点。

    Oct, 2022

  • 透过文本蕴含准确而细致地评估开放问题回答

    我们提出研究答案的蕴含关系，以识别更具信息量和更一般化的系统答案，从而更接近人类判断，无需学习。我们提出的蕴含关系评估可通过量化答案之间的推断差距来分配奖励或部分分数，实现对答案正确性的细致排序，其 AUC 比目前的方法更高。

    May, 2024

  • TV-TREES: 多模态蕴涵树用于神经符号化视频推理

    该论文提出了一种基于 TV-TREES 的多模态蕴涵树生成器，用于解决在电视剪辑等复杂多模态内容上的问答问题，通过生成简单前提与视频直接蕴涵的更高级结论之间的蕴涵关系树，实现可解释的联合模态推理；在 TVQA 数据集上进行的实验证实了该方法在全视频剪辑上的零样本性能，在黑盒方法上取得了最先进的可解释性和性能的最佳结合。

    Feb, 2024

  • 一个基于问题蕴涵的问答方法

    本文提出了一种新的基于问题蕴含识别（Recognizing Question Entailment）的问答（Question Answering）方法，基于机器学习和深度学习算法，结合信息检索模型，在医疗领域实现了显著的问答准确率提升。

    Jan, 2019

  • 将蕴涵关系应用于多跳问答任务中

    通过引入 Multee, 一种能够有效使用预训练自然语言推理模型的通用结构，本文在 MultiRC 和 OpenBookQA 这两个多阶段问题回答的数据集上进行了实验。使用 NLI 预训练模型的 Multee 模型在性能上明显优于仅在目标数据集上进行训练的 QA 模型和 OpenAI 迁移学习模型。

    Apr, 2019

  • 多价蕴涵图用于问答

    本研究介绍了一种基于无监督学习的多元蕴含图方法，用来理解自然语言断言之间的关系，并在微观语义问答任务中展示了其性能。结果表明，多元蕴含图在细粒度语义问题上比双向相似性更有帮助，并且跨语言价位的证据对于回答问题比仅使用相同语言价证据更加有效。

    Apr, 2021