AAAIDec, 2022

基于关注度感知的图学习探究多跳事实验证的可信理由

PDF
TL;DR利用图卷积网络和注意力因素，将可解释的多跳事实验证问题转化为子图提取，实现证据的拓扑交互，构建多任务模型区分警示性因素，对通过 FEVEROUS 基准测试得到的实验结果验证上述方法优于先前最先进算法的功效。
multi-hop fact verificationrationale extractiongraph convolutional networkexplainabilitysalience-aware graph learning
发现论文，激发创造
  • 可解释的多跳事实验证中一致的多粒度理由提取

    本文提出了一种基于多粒度证据提取的可解释多跳事实验证模型，采用差分掩蔽同时训练基于标记层和句子层的模型，确保提取粒度多、解释一致、证据可信。

    May, 2023

  • HOP, UNION, GENERATE: 可解释的无需理由监督的多跳推理

    该研究提出了一种基于概率的方法来训练可解释的多跳问答系统，该系统可以在无需基于理由的监督的情况下进行训练。该方法将理由明确建模为集合，能够在文档之间以及文档内部的句子之间进行交互和多跳推理，这种方法在选择理由方面比之前的方法更加准确。

    May, 2023

  • 解释、编辑、生成：为多跳事实验证的理由敏感的反事实数据增强

    论文提出了一种理性敏感的方法来生成语言多样且标签翻转的反事实数据，同时保持逻辑关系，并通过检查和过滤模块对反事实数据进行规范化，实验结果表明该方法优于基准模型，并且能够生成语言多样的反事实数据而不破坏其逻辑关系。

    Oct, 2023

  • 多证据基于机密图神经网络的事实验证

    Fact verification tasks using a Confidential Graph Attention Network (CO-GAT) with a node masking mechanism achieve a 73.59% FEVER score on the FEVER dataset and show generalization ability to science-specific domains.

    May, 2024

  • 探索基于图神经网络的图结构段落表示在多跳阅读理解中的应用

    通过新方法引入更多的全局证据来连接更复杂的图表，并使用图神经网络进行证据融合，从而提高了问题解答的效果。

    Sep, 2018

  • 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

  • 用于可解释性多跳科学问题回答的动态语义图构建和推理

    提出一种基于抽象意义表示（AMR）的语义图构建方法及推理模型，能够有效地检索更多有效的知识事实以填补知识空白，并在多次推理过程中提高推理透明度。该模型在两个科学多次问答数据集中得到了最新成果，包括那些使用附加知识图谱的方法，在保持 OpenBookQA 高可解释性的同时，实现了 ARC-Challenge 新的最佳结果。

    May, 2021

  • 利用结构化信息进行可解释的多跳问题回答和推理

    构建和利用语义结构的多跳问题回答框架，通过神经模型和连续思维机制提高推理能力，并结合信息抽取和提取的语义结构实现更准确和可解释的问题回答。

    Nov, 2023

  • 通过伪证据训练来增强多跳问答的鲁棒性

    本文研究了多跳问答模型中的偏差问题，提出了一种不需要额外昂贵的注释即可学习证据性的新方法，在 HotpotQA 验证了该方法准确，鲁棒性强。

    Jul, 2021

  • 寻址再问：透明的逐步推理用于多跳问答

    本文提出了一个解释性逐步推理框架，将单跳支持句子识别和单跳问题生成结合起来，并利用当前跳的推理来推导出最终结果。我们使用一个统一的读者模型进行中间跳推理和最终跳推理，并采用联合优化来实现更精确和稳健的多跳推理，取得了良好的实验效果。

    Aug, 2022