May, 2023

抽象相关工作生成的因果干预

PDF
TL;DR通过引入因果干预模块（CaM）识别文本生成过程中的因果关系，从而提高生成的相关作品的质量和连贯性。
abstractive related work generationcausal interventionrelated work qualitycoherencecausal graph
发现论文，激发创造
  • 利用对比学习进行面向目标的抽象相关工作生成

    本文提出了一种基于目标感知的抽象关联工作生成器（TAG），该生成器可以生成包含新句子的相关工作部分，通过目标中心化的注意机制，建模参考文献和目标论文之间的关系，并使用具有语义指示器的关键词短语考虑不同级别图的节点，在多级对比优化目标的指导下生成更具信息量的相关工作。通过在两个公共学者数据集上的广泛实验，表明所提出的模型在自动和定制化的人类评估方面比几个强基线模型都有实质性的改进。

    May, 2022

  • 诱导抽象文本摘要的因果结构

    通过引入结构因果模型 (SCM) 从而诱导总结数据的潜在因果结构，我们提出了一种因果启发式序列到序列模型 (CI-Seq2Seq) 来学习可以模拟因果因素的因果表示，以引导我们获取总结生成的因果信息。在两个广泛使用的文本总结数据集上的实验结果证明了我们方法的优势。

    Aug, 2023

  • 带因果干预的依赖式多任务学习在图像字幕生成中的应用

    本文提出了一种基于因果干预的依赖多任务学习框架（DMTCI）来解决图像描述生成过程中出现的问题，该框架采用包含类别生成、因果计算和多智能体强化学习策略来提高模型对视觉特征的理解和生成句子的一致性及信息性。实验结果表明，DMTCI 模型优于基准模型，并达到了与最先进模型相媲美的性能。

    May, 2021

  • 基于检索增强生成的大型语言模型的因果图发现

    使用大语言模型从科学文献中提取关联关系，构建高质量的因果图。

    Feb, 2024

  • 指导式因果关系生成

    本研究提出了一种基于条件的文本生成框架，依赖于 CausalBank 和 Cause Effect Graph 两个新资源开发，并使用词汇约束解码来支持析取正约束，利用 CausalBank 对最近一种最先进的因果推理模型的编码器进行持续训练，在不改变模型架构的情况下在 COPA 挑战集上取得了 3 分的提高。

    Jul, 2021

  • 因果学习的生成式干预

    介绍了一种学习鲁棒视觉表示的框架，该框架能够推广到新的视点、背景和场景环境，并利用干扰因素以制造人为干预特征，从而学习更加符合基础因果关系的鲁棒表示方法。实验证明，该方法提升了多个需要超出训练分布的数据集的性能，在从 ImageNet 到 ObjectNet 数据集进行无分布推广时展现出最先进的性能。

    Dec, 2020

  • 可控文本生成的因果透视

    本论文从因果的角度出发，提出了一种由结构性因果模型构建的可控文本生成框架，并将其应用于集中控制性文本生成领域的实践，实验表明该方法在控制准确性和减少偏差方面具有优势。

    Jan, 2022

  • 金融因果关系提取的生成方法

    该论文探讨了一种利用编码器 - 解码器框架和指针网络实现因果关系提取的生成式方法，并使用金融领域的因果数据集进行实验，结果表现出了极高的性能水平。

    Apr, 2022

  • 关系分类生成对抗样本的自动化方法

    本文提出了一种从以实体为中心的视角生成相关对照数据的方法，通过在句法和语义依赖图中利用两个基本的拓扑性质，即中心性和最短路径来识别和干预实体的语境因果特征，从而使得深度神经模型更加稳健。

    Feb, 2022

  • 因果关系是你所需要的

    本文提出了 Causal Graph Routing（CGR）框架，通过干预机制揭示数据中隐藏的因果关系，并在计算机视觉和自然语言处理领域的任务中超过当前最先进方法，具有建立具有因果性的预训练大规模模型的潜力，以在更广泛的语义空间内提高机器对因果关系的理解能力。

    Nov, 2023