EMNLPSep, 2021

利用上下文感知线性化进行图形推理，实现可解释的事实提取和验证

PDF
TL;DR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。
发现论文，激发创造
  • 基于语义层面图的事实核查推理

    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

  • 连接文本和表格世界的事实验证：一种轻量级的基于注意力的模型

    FEVEROUS 是一个关注事实提取和验证任务的基准和研究计划，介绍了一个简单但强大的模型，通过利用预训练模型和轻量级注意力机制，高效地利用文本和表格数据之间的潜在连接，从而导致全面可靠的判断预测，并确保原始证据的完整性和真实性不受损害。

    Mar, 2024

  • 基于逻辑级别证据提取与基于图的验证网络的表格事实验证

    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

  • 基于证据的事实核查的多级注意力模型

    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

  • 文本和表格的异构图推理进行事实核查

    我们提出了一种用于事实检查的新型基于异构图的模型，名为 HeterFC，它通过一个关系图神经网络进行信息传播，在声明和证据之间促进交互，并结合语言模型生成预测。我们引入了一个多任务损失函数来考虑证据检索的潜在不准确性。综合实验证明了 HeterFC 的有效性。

    Feb, 2024

  • 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

  • FEVEROUS: 面向结构化和非结构化信息的事实提取与验证

    本文提出了针对机器学习和自然语言处理领域中问题验证的一个新数据集和一个基线模型，数据集包含了包括非结构化文本和结构化表格在内的 87026 个证明，并详细描述了数据集中存在的偏见及模型的防范措施。

    Jun, 2021

  • DeSePtion: 双序列预测和对抗样本用于改善事实检查

    本研究探讨了当前的事实检查系统面临的挑战，介绍了一种新的对抗性数据集，并提出了一种新的系统来处理多种类型的谎言，通过多个指针网络进行文档选择，并联合建模一系列证据句子和真实性关系预测，具有更优异的证据检索表现。

    Apr, 2020

  • 基于图的聚合证据和推理的事实验证

    本文提出了一种基于图的证据汇聚和推理（GEAR）框架，可以从多个证据中提取信息，并利用 BERT 模型进一步提高性能，最终在 FEVER 基准测试集上取得了 67.10% 的测试分数。

    Jul, 2019

  • 使用神经语义匹配网络结合事实提取与验证

    该论文提出了一个连接的系统，包括三个同构神经语义匹配模型，用于联合进行文献检索、句子选择和索证，以进行事实提取和验证。实验结果表明，该神经语义匹配方法在所有证据检索指标上都显著超越了常见的 TF-IDF 和编码器模型，并通过提供内部语义关联得分和词汇网特征等方法，改进了 NLI 模型的性能，从而在 FEVER 测试集上取得了最优结果。

    Nov, 2018