May, 2024

多证据基于机密图神经网络的事实验证

PDF
TL;DRFact 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.
fact verification tasksfully connected reasoning graphnoisy nodesconfidential graph attention networkfever dataset
发现论文，激发创造
  • 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

  • 基于图神经网络的证据感知假新闻检测

    本研究提出了一种基于证据的假新闻自动检测框架 GET，该框架采用图形结构学习方法将索证和索证的长距离语义依赖关系整合起来，从而有效避免了序列模型在验证新闻真实性方面存在的缺陷。作为一项重要的技术创新，GET 的有效性已经得到了充分验证。

    Jan, 2022

  • 核图注意力 Fine-grained 事实验证

    本研究提出基于核的图注意力网络 (KGAT)，利用节点核函数和边缘核函数，在证据图中进行更细粒度的证实验证，相比于点积注意力，核心注意力更能集中于相关证据句子和证据图中的有意义的线索，从而在 FEVER 测试数据集上取得了较高的 70.38% FEVER 得分，明显优于现有的事实验证模型。

    Oct, 2019

  • 基于证据的事实核查的多级注意力模型

    提供一种可以在序列结构上进行训练的模型，通过不同层次的句间注意力和联合训练来有效捕捉主张和证据之间的关系，结果表明可以优于基于图结构的方法达到更好的验证精度和 FEVER 得分

    Jun, 2021

  • 基于图神经网络的对抗性对比学习在具备证据感知的假新闻检测中的应用

    本文提出了一种基于证据的假新闻检测的方法，采用图形结构挖掘和对比学习来消除信息冗余，获得具有可靠性和区分度的表示，并在实验中证明了 GETRAL 相对于现有技术的优越性。

    Oct, 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

    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

  • 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

  • 基于图的聚合证据和推理的事实验证

    本文提出了一种基于图的证据汇聚和推理（GEAR）框架，可以从多个证据中提取信息，并利用 BERT 模型进一步提高性能，最终在 FEVER 基准测试集上取得了 67.10% 的测试分数。

    Jul, 2019

  • 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

  • 基于层次图注意力的新闻异构信息网络假新闻检测

    该研究提出了一种名为 HGAT (Hierarchical Graph Attention Network) 的框架，该框架利用一种新颖的分层注意机制，在异构信息网络中进行节点表示学习，通过对新闻文章节点进行分类来检测假新闻。实验结果表明，HGAT 可以胜过基于文本和其他基于网络结构的模型，并且该框架还具有与其他节点分类相关应用程序的图形表示学习的扩展性和通用性。

    Feb, 2020