基于案例的溯因自然语言推理
人工智能
2022-09-13 v4 计算与语言
摘要
当代大多数多跳自然语言推理（NLI）方法在构建解释时都将每个测试用例孤立地考虑。然而，这种范式已知会受到语义漂移的影响，该现象会导致构建出虚假解释并得出错误结论。相比之下，本文提出了一种用于多跳NLI的溯因框架，探索基于案例推理（CBR）中的检索-复用-精炼范式。具体而言，我们提出基于案例的溯因自然语言推理（CB-ANLI），这是一种通过从相似示例中类比迁移先前的解释来解决未见推理问题的模型。我们在常识与科学问答任务上对该溯因框架进行了实证评估，表明CB-ANLI可有效与稀疏和稠密预训练编码器集成以改进多跳推理，或用作Transformer的证据检索器。此外，对语义漂移的实证分析表明，CBR范式提升了最具挑战性解释的质量，这一特性对下游推理任务的鲁棒性与准确性有直接影响。
引用
@article{arxiv.2009.14539,
title = {Case-Based Abductive Natural Language Inference},
author = {Marco Valentino and Mokanarangan Thayaparan and André Freitas},
journal= {arXiv preprint arXiv:2009.14539},
year = {2022}
}
备注
Accepted to the 29th International Conference on Computational Linguistics (COLING 2022) - Camera-ready