AAAIMar, 2024

因果步行：使用前门调整消除多跳事实验证中的偏倚

PDF
TL;DR通过引入因果路径和前门调整，Causal Walk 是一种用于从因果角度消除多跳事实验证偏差的新方法，通过随机游走的思想估计处理和中介变量之间的因果效应，并利用归一化加权几何平均逼近估计中介变量和结果变量之间的因果效应。
发现论文，激发创造
  • 利用有限的图知识超越 Markov 等价的前门调整

    本文通过提供可测试的条件独立性语句，展示了使用类前门调整来计算因果效应的方法，并证明该方法适用于在有限结构信息的情况下不知道图形的情况下。

    Jun, 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

  • 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

  • 基于关注度感知的图学习探究多跳事实验证的可信理由

    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。

    Dec, 2022

  • 使用变分自编码器与前门准则进行因果效应估计

    本文提出了使用前门标准和深度生成模型解决存在未观测混淆因素和中介因素的因果推断问题的方法 FDVAE，并在合成数据集和真实数据集上进行了试验。

    Apr, 2023

  • 避免推理捷径： 多跳问答的对抗评估、训练和模型开发

    本论文针对 HotpotQA 数据集中的多跳问题回答过程中存在 reasoning shortcuts 的问题，通过构建对抗性文档解决了该问题。同时，提出使用控制单元指导模型的多跳推理，使得 2-hop 模型在 1-hop baseline 的基础上获得更高的准确性。结果表明，该训练方式对于构建更加有效的组合推理模型非常有帮助。

    Jun, 2019

  • 借助背门攻击的人工偏见来减轻模型偏见

    本研究提出一种基于知识蒸馏技术的后门去偏差框架，通过反向人工偏差构建，有效降低了原始数据的模型偏差并最小化了后门攻击的安全风险。该框架在图像和结构化数据集上得到了验证，具有良好的效果。

    Mar, 2023

  • 线性时间内找到前门调整集

    本文提出了一种基于有向无环图 (DAG) 的前门调整线性时间算法，可在 O (n+m) 的时间内发现满足前门准则的集合，因此达到渐进最优时间复杂度，并提供了一个算法以 O (n (n+m)) 的延迟列出给定 DAG 中所有前门调整集。

    Nov, 2022

  • 高维因果推断与变分背门调整

    借助生成建模的方法，本文提出了一种解决高维治疗和混杂变量的干预问题的后门调整技术，实现了干预似然的估计。

    Oct, 2023

  • 面向去偏置事实验证模型

    在研究中，我们发现在常见的 FEVER 数据集中，仅针对声明的分类器与最佳证据感知模型具有相似的性能。为了解决这种现象，我们开发了一个评估集并引入了一种正则化方法以减少训练数据中偏差的影响，并取得了进展。该工作是朝着更加可靠地评估事实验证模型的推理能力迈出的一步。

    Aug, 2019