通过级联交互推理提升神经语言推理能力

自然语言推理（NLI）旨在确定给定前提与假设之间的逻辑关系（蕴含、矛盾或中性）。该任务由于内在的语言特征（如多样化的表述、语义复杂性和上下文细微差别）而具有显著挑战。虽然基于 Transformer 架构的预训练语言模型（PLMs）在 NLI 中取得了显著进展，但现有方法主要使用终端层的表示。这一依赖于最终层输出的做法可能忽略中间层编码的有价值信息，限制了有效建模复杂语义互动的能力。为填补这一差距，我们引入了级联交互推理网络（CIRN），一种为 NLI 设计的新型架构，以实现更深入的语义理解。CIRN 在多个网络深度上实现分层特征提取， operates within an interactive space where cross-sentence information is continuously integrated。该机制旨在模拟逐步推理的过程，从表层特征匹配过渡到发现前台的逻辑和语义联系。通过在各种表示层级系统性地挖掘潜在语义关系，CIRN 实现了对输入对的更全面理解。在几个标准 NLI 基准数据集上进行的全面评估显示，CIRN 在性能上持续优于竞争性基线方法，表明了利用多级交互特征处理复杂关系推理的有效性。