EMNLPOct, 2021

Project Debater APIs: AI 大挑战的分解

PDF
TL;DR2019 年发布的人工智能系统 Project Debater 能够就复杂主题与人类专家进行辩论，其核心 NLP 服务、论点挖掘分析能力和重要内容摘要等 API 具备良好的性能，其中 Key Point Analysis 更是一项新技术，能识别大量文本中的主要论点及其普遍性。
发现论文，激发创造
  • 辩论有助于监督不可靠的专家

    辩论通过两个不可靠专家的辩论，帮助非专家更可靠地辨别真相，相较于仅由一个专家提供答案的顾问咨询方法在提高了效率的同时，能够显著提升评判的准确性，为监督日益强大但潜在不可靠的 AI 系统提供了有希望的方法。

    Nov, 2023

  • DebateSum：一个大规模的辩论挖掘和摘要数据集

    该研究提出了 DebateSum 数据集，其中包含 187,386 个唯一的证据片段和相应的争论和抽取式摘要，使用多个 Transformer 摘要模型进行了训练，同时引入了在数据集上训练的 FastText 词向量 debate2vec。最后，该研究还提出了一个可以广泛运用于全国演讲和辩论协会成员中的 DebateSum 搜索引擎。

    Nov, 2020

  • 通过辩论实现人工智能安全

    通过采用自我对弈的零和辩论游戏的方式来训练智能体，以此作为人类判断的替代，来实现 AI 系统对于复杂任务的精准输出，并讨论了辩论模型的理论和实践方面的问题。

    May, 2018

  • 人工智能辩论中真相何时受青睐？

    研究人员提出在 AI 解决方案无法得到准确判断的问题中，可通过两个 AI 系统之间的辩论来增强人类法官的问题解决能力，并介绍了一个可建模此类辩论的数学框架，并将辩论设计的质量测量为最有力回答的准确性。

    Nov, 2019

  • DebateKG: 基于语义知识图的自动辩论案例生成

    使用语义知识图谱，通过在竞争性辩论中构建高质量辩论案例的有约束的最短路径遍历，有效地改进了辩论案例生成，并且为 Policy Debate 提供了大规模数据集以及有用的元数据。

    Jul, 2023

  • 通过双倍高效辩论实现可扩展的人工智能安全

    通过设计一套新的辩论协议，本文展示了如何解决 AI 安全中的挑战，其中诚实策略能够使用多项式数量的步骤来成功模拟预训练 AI 系统，同时能够验证随机 AI 系统的对齐性，即使不诚实策略允许使用指数数量的模拟步骤。

    Nov, 2023

  • 未来的辩论机器人 Debbie

    介绍了一款名为 Debbie 的聊天机器人，它选择语料库中的论点并试图在上下文中恰当地使用它们。提出了一个初步工作的 Debbie 原型，对其进行了初步评估，并描述了未来工作。

    Sep, 2017

  • 辩论：基于魔鬼辩护的评估与文本评价

    提出了一种基于多智能体评分系统的自然语言生成（NLG）评估框架 DEBATE，通过引入反对者的概念，解决了 LLM 智能体回答中的偏见问题，从而在 NLG 评估中显著超越了现有的方法。

    May, 2024

  • IAM：一份全面的大规模数据集，用于集成化论证挖掘任务

    本文提出了一个全面而大型的数据集 IAM，旨在用于一系列论证挖掘任务。文集介绍了两个新的综合论证挖掘任务，即主张提取与立场分类（CESC）以及主张 - 证据对提取（CEPE）。实验结果表明了我们提出的任务的价值和挑战，并激励了论证挖掘领域的未来研究。

    Mar, 2022

  • 利用论证语义和自然语言论证图网络的自动辩论评估

    本文提出了一种混合方法，通过结合论述框架、语义学、基于 Transformer 的体系结构和神经图网络来自动评估论证性辩论，并获得了有前途的结果，这为自然语言论证的自动分析开辟了新的研究方向。

    Mar, 2022