EMNLPSep, 2021

基于表格的事实验证与关注度感知学习

PDF
TL;DR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。
fact verificationtabular datasalience estimationdata augmentationperformance
发现论文，激发创造
  • TabFact：一个用于基于表格的事实验证的大规模数据集

    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

  • 基于表格的事实验证与自适应专家混合模型

    本文提出了一种基于自适应 Mixture-of-Experts 网络的方法用于表格事实验证，该方法有效结合了自然语言和不同类型的数理逻辑推理。实验结果表明，该方法可以取得与之前最先进的模型可比的 85.1% 的准确度。

    Apr, 2022

  • PASTA: 句表填空预训练，适用于表格操作感知的事实验证

    本文介绍了一种基于数据表的事实验证的新方法 PASTA，使用已经进行了先前训练的语言模型和通过合成句子 - 数据表填空问题而得到的 1.2 百万个数据对进行预训练，PASTA 在 TabFact 和 SEM-TAB-FACTS 两个基准测试中实现了最新的最佳表现

    Nov, 2022

  • 基于语言模型蒸馏的无监督事实验证

    通过自我监督特征蒸馏的 SFAVEL 方法，无需注释，实现了高质量事实验证和证据对齐，并在标准 FEVER 事实验证基准上取得了 + 8% 的准确率提升。

    Sep, 2023

  • 利用 TAPAS 和迁移学习进行带表格语句验证和证据发现的 SemEval-2021 第 9 任务 Volta

    本文基于 TAPAS 模型扩展 BERT 框架以理解表格语义结构，在 SemEval-2021 任务 9 中解决表格事实的声明验证和证据查找问题，并通过在表头行上进行规范化来优化 TAPAS 在子任务 A 中的表现，在子任务 B 中引入不同的 fine-tuning 策略来提高模型准确率，模型在三种分类任务下分别取得了 67.34、72.89 和 62.95 的 F1 分数。

    Jun, 2021

  • 开放事实核查中基于表格的联合验证与重新排名

    本文介绍了一种结合重新排序和验证模型的开放域结构化数据自动验证方法，包括多种表格，实现了与封闭领域技术水平可比较的表现，并相对启发式检索基准有显著提升，关键词包括：结构化数据，验证方法，开放领域，联合重新排序和验证模型，TabFact 数据集。

    Dec, 2020

  • SemEval-2021 任务 9：科学文档中表格数据的事实验证和证据搜索（SEM-TAB-FACTS）

    本研究旨在解决在科技论文中理解表格结构与表格内容，主要通过提供一个包含这些信息的数据集和 SemEval 任务挑战赛中两个子任务的方式来实现，共有 69 个团队参与，19 个成功提交了子任务 A 的结果，12 个成功提交了子任务 B 的结果。

    May, 2021

  • 大型语言模型能否作为基于表格的事实核查工具？

    通过大型语言模型的提示工程和指令调整，可以在表格事实验证中实现接受的零样本和少样本验证能力，并且可以促进进一步通过大型语言模型提高表格推理的准确性的研究。

    Feb, 2024

  • 基于段落的科学事实验证多任务学习模型

    本文提出了一种基于 BERT 模型的句子级多任务学习模型，可用于事实验证任务，并通过联合训练模型的理由选择和态度预测来实现反击社交媒体或新闻网站上不断传播的错误信息的目的。

    Dec, 2020

  • 评估抽象文本摘要的事实一致性

    该研究提出了一种弱监督、基于模型的方法来验证摘要的事实一致性，并鉴别来源文献和生成的摘要之间的冲突。

    Oct, 2019