本文探索并规范了在 SCM 框架中的反事实推理的另一种模式 ——backtracking account,并在相关文献和可解释的人工智能领域进行讨论和连线。
Nov, 2022
在结构因果模型中,我们引入了一种计算回溯反事实的实用方法,该方法对深度生成组件进行条件设定以解决在可控制因果模型的结构潜空间中可生成反事实的问题。相比其他方法,我们的方法具有多功能、模块化和满足因果关系的优势。通过在 MNIST 和 CelebA 的修改版本上实验,我们证明了这些特性。
Oct, 2023
通过提出一个新的反向翻译的评估方法,我们针对自然语言处理模型和任务的解释方法的一致性问题进行了调查和分析,并提出了一种新的测量指标来评估不同特征的反事实生成方法的一致性。
May, 2023
本文提出了一种反事实的故事重写模型,用于通过改变故事的最小部分,使其与另一事件相容,并介绍了一种新的可用于评估该模型的数据集 TimeTravel。
Sep, 2019
本研究提出了反事实推理模型,在学习少量反事实样本的基础上,通过生成对于每个正面事实样本的代表性反事实样本,并使用回顾模块根据对比反事实和正事实样本来检查模型预测,从而模拟对于困难测试样本的人类反事实思维。该方法在情感分析和自然语言推理方面的广泛实验验证了其有效性。
Jun, 2021
基于背推式反事实,我们探讨了一种新的范式,以固定法律保护特征的同时考虑替代初始条件,从而解释您作为现实或潜在自身的反事实结果。这种替代框架允许我们解决许多相同的社会问题,但在提出根本不依赖于人口统计学介入的不同问题。
Jan, 2024
通过调查五种预训练语言模型在特殊条件下进行的逆向推理,发现这种逆向推理主要受到基于单词关联的影响,只有 GPT-3 能够展现对语言细微差别的敏感性。
本文提出一个利用知识图谱提供反事实解释的框架,并给出了一种计算该解释的算法,并 quantitatively 评估了该框架与用户研究。
本文提出了一种基于语义分析的新方法来生成自然语言界面的解释,重点是提供后续解释,描述如何最小修改发言以实现用户的目标。在两项用户研究中,我们证明了我们的方法可以显著提高用户的性能,并且与两种去除实验相比,可以生成更符合用户意图的解释。
Apr, 2022
本文提出了 NeuroCounterfactuals 方法,通过松散的对比事实产生更大规模的编辑,从而使得生成的文本包含语言多样性,同时与原始文档相似,使得训练数据增强在情感分类方面取得了良好的效果。
Oct, 2022