AMELIA：面向论证任务的多任务端到端语言模型系列
计算与语言
2025-08-26 v1 人工智能
摘要
论证挖掘是论证学的一个子领域，旨在从自然语言文本中自动提取论证结构及其关系。本文探讨了如何利用单个大型语言模型执行一个或多个论证挖掘任务。我们的贡献有两方面：第一，我们通过调查和转换文献中19个著名的论证挖掘数据集，构建了统一格式的多任务数据集。第二，我们使用 Meta AI 的 Llama-3.1-8B-Instruct 模型探索了 various 训练策略：(1) 在单个任务上进行微调，(2) 在多个任务上联合微调，(3) 对在单个任务上单独微调的模型进行合并。我们的实验表明，任务特定的微调在所有任务上均显著提升了 individual 性能。此外，多任务微调在不产生性能下降的情况下保持了强大的性能，表明在相关任务之间实现有效的迁移学习。最后，我们演示了模型合并提供了一个可行的折中方案：它在竞争性能的同时，缓解了完整多任务微调所需的计算成本。
引用
@article{arxiv.2508.17926,
title = {AMELIA: A Family of Multi-task End-to-end Language Models for Argumentation},
author = {Henri Savigny and Bruno Yun},
journal= {arXiv preprint arXiv:2508.17926},
year = {2025}
}