Oct, 2022

自我合理化是否有助于提高对错误相关性的稳健性？

PDF
TL;DR本论文研究以人类编写的基准解释为训练数据的自我合理化模型，探讨其对于解决任务的正确性、易解释性和鲁棒性等方面的影响。结果表明，在低资源环境下，自我合理化模型有可能提高模型的鲁棒性；但在高资源环境下，模型的鲁棒性有所下降。
rationalizationnlp modelsself-rationalization modelsspurious correlationsexplainability
发现论文，激发创造
  • 理性化是否能提高稳健性？

    本研究探讨了神经 NLP 模型的可解释性和鲁棒性之间的相互作用，试图通过有理化的过程来提高模型的鲁棒性，并针对五个不同的任务进行了实证评估。实验结果表明，理性模型有可能提高其鲁棒性，但它们在某些情况下会面临一定的挑战，并不总是表现得比无人为监督的模型更好。

    Apr, 2022

  • Few-shot 合理化自我训练：教师解释帮助学生进行 Few-shot NLU

    利用自训练语言模型进行多任务教师 - 学生框架，在有限的任务特定标签和理由下，通过精心选择样本学习信息伪标签示例以及明确合理化预测的特征，显著提高了神经模型的性能，特别在低资源环境中表现出有效性。

    Sep, 2021

  • 建立可信的解释：论因果合理化

    这篇论文提出了一种从因果推断角度出发的合理化模型，利用新提出的合理化结构因果模型计算了一系列的因果概率，从而得到了高效的合理化结果，实验表明该方法在真实世界的评论和医疗数据集上的性能优于最先进的方法。

    Jun, 2023

  • 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

  • ZARA: 提升小语言模型 Few-Shot 自我合理化能力

    本研究探索了利用解释来改善小型语言模型的 few-shot 自我合理性。我们提出了一种新方法 Zero-shot Augmentation of Rationale-Answer pairs (ZARA)，通过将可能性判断问题转换为自然语言推理，自动构建了伪平行数据来进行自我训练。实验结果表明，ZARA 在 FEB 基准测试中实现了 SOTA 性能，包括任务准确性和解释度量。此外，我们进行了人类和定量评估，验证了 ZARA 自动识别合理和准确的理由 - 答案对的能力。

    May, 2023

  • 自然语言提示下的小样本自我合理化

    本文介绍了一种适用于 NLP 系统的自我合理化模型，并通过使用 FEB 数据集探索了几种自然语言提示方法和缩放模型大小的方法，以达到在少量示例下进行自我合理化的目的，但该任务的合理性仍有改进的空间。

    Nov, 2021

  • 远程监督下非单调推理的理性化学习

    研究如何使用先前经过训练的语言模型、神经知识模型和相关任务的远程监督等，通过训练生成解释原因的生成模型来推断自然语言解释。然而，结果表明，由于神经语言模型的基本限制，该模型生成的解释仅限于具有普遍性的陈述，而在进行推理的同时预测更新或其类型和生成理由是更具挑战性的，这是未来的重要方向。

    Dec, 2020

  • 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

  • 通过自发学习提升语言模型推理能力

    通过建立自我激励学习框架，根据正确性的内在排序，依据奖励模型训练并通过强化学习优化推理能力，本研究的实验证据表明其方法显著提升了模型的推理能力，在部分数据集中甚至超过了 text-davinci-002 模型。

    Apr, 2024

  • 何去学习以及如何：迈向有效的理由学习

    通过实证分析人类解释的两个特点，即最大化理性监督准确性未必是提高模型准确性的最佳目标和人类理性是否提供足够信息以供模型进行预测，我们在此基础上提出了几种新的损失函数和学习策略，在三个包含有人类理性的数据集上进行评估，结果显示出了不断改进的基线，包括 MultiRC 上的 3% 精度提高。我们的研究强调了理解人类解释的特性，并据此进行模型训练的重要性。

    Nov, 2021