聚合成对语义差异的小样本声明真实性分类
计算与语言
2022-05-12 v1 人工智能
机器学习
摘要
作为自动化事实核查流水线的一部分，声明真实性分类任务在于判定一条声明是否得到相关证据的支持。标注声明-证据对的复杂性导致数据集稀缺，在处理新领域时尤为突出。本文提出SEED，一种新颖的基于向量的小样本声明真实性分类方法，其聚合声明-证据对之间的成对语义差异。我们基于如下假设：可模拟类代表向量，捕捉类中声明-证据对的平均语义差异，进而用于新实例分类。我们将本方法与包括微调BERT/RoBERTa模型以及利用语言模型困惑度的前沿小样本真实性分类方法等强基线比较。在FEVER与SCIFACT数据集上的实验表明，小样本设定下相较强基线有一致提升。我们的代码已公开。
引用
@article{arxiv.2205.05646,
title = {Aggregating Pairwise Semantic Differences for Few-Shot Claim Veracity Classification},
author = {Xia Zeng and Arkaitz Zubiaga},
journal= {arXiv preprint arXiv:2205.05646},
year = {2022}
}