ACLMay, 2023

基于程序引导推理的事实核查复杂声明

PDF
TL;DR本文提出了一种 Program-Guided Fact-Checking（ProgramFC）模型，通过生成推理程序指导验证过程并将每个子任务委托给相应的子任务处理程序，将复杂的索赔分解为更简单的子任务，从而使我们的模型具有解释性和数据效率，并在两个具有挑战性的事实核查数据集上进行评估，展现了优于七种事实核查基线的表现，通过显式输出程序有利于人工调试。
发现论文，激发创造
  • 基于表格的事实验证探索分解

    本文提出了一种分解复杂语句为简单子问题，并以程序为指导构建伪数据集进行分解模型训练的方法，从而增强事实验证模型的中间证据，通过实验证明，在 TabFact 基准测试中取得了 82.7％的最新最佳性能。

    Sep, 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

  • 可解释的概率答集编程事实检查

    本文介绍了一个基于知识图谱的事实检查方法，利用其中的语义表示和逻辑规则进行推理，以产生可解释的结果。实验表明，这种基于概率推理的方法比现有技术水平更具准确性。

    Jun, 2019

  • LogicalFactChecker：利用逻辑运算进行图模组网络事实检查

    本论文提出了 LogicalFactChecker，这是一种基于神经网络的方法，能够利用逻辑操作来进行事实检查，并且在 TABFACT 数据集上实现了最先进的性能，通过 Transformer-based 架构构建基于图形模块网络的异构图使得每个单词在语句、表格和程序中的相关上下文都能被观察到，并通过程序驱动的模块网络进一步利用了程序的层次结构。

    Apr, 2020

  • 生成针对复杂主张进行事实检查的字面和隐含子问题

    本研究关注于将复杂的政治要求分解为全面的是非子问题，通过回答这些问题来判断政治要求的真实性，提供了 ClaimDecomp 数据集和一种训练好的注释方法来研究最先进的模型生成此类子问题，这些子问题可以帮助找到相关证据以审核整个要求并推导真实性。

    May, 2022

  • 通过语言化和图注意网络强化事实验证程序

    本研究提出了 ProgVGAT 框架，结合程序和执行到文本推理模型，通过程序执行的表现和结构、原文陈述和表格等不同证据，来实现基于结构化数据的事实验证，并通过使用基于距离的新训练策略来优化 ProgVGAT 中的程序选择模块，从而提供更精确的程序，检验结果最高达 74.4％的准确率。

    Oct, 2020

  • 生成事实检查解释

    本文针对自动事实检测的不足之处，提供了首个研究可利用可用的声明上下文生成自动化证明，并且演示了一项同时优化判断准确性预测和证明生成的多任务模型平均性能更好。

    Apr, 2020

  • 基于大型语言模型的知识驱动推理解释性索证

    本研究论文介绍了一种名为 FOLK（First-Order-Logic-Guided Knowledge-Grounded Reasoning）的方法，用大型语言模型（LLMs）进行复杂声明的验证和解释生成，同时不需要基于人工标注的证据。该方法通过将声明转化为由谓词组成的一阶逻辑子句，每个谓词对应需验证的一个子声明，并利用一组知识基础的问答对进行一阶逻辑引导的推理，从而做出真实性预测并生成解释以说明其决策过程，使模型高度解释性。实验结果表明，FOLK 在涵盖各种声明验证挑战的三个数据集上优于强基线模型。

    Oct, 2023

  • 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

  • MultiFC: 一个真实世界的多领域数据集，用于基于证据的声明事实核查

    本研究提供了最大的公共数据集，用于自动声明验证，从 26 个英文事实检查网站中收集，标记了真实性，并使用人工专家记者，结果显示自动排名证据页面和预测真实性的新方法胜过所有基线。

    Sep, 2019