用于可解释多跳事实核查的一致多粒度理由提取
计算与语言
2023-05-17 v1
摘要
深度学习模型在多跳事实核查上的成功促使研究者理解其判定真伪背后的行为。一种可能的方式是擦除搜索：通过完全移除输入的某个子集而不损害真伪预测，从而获得理由。尽管已被广泛探索，现有方法局限于单粒度(词元或句子)解释的范围，这不可避免地导致解释冗余与不一致。为解决此类问题，本文探索了具有一致性与忠实性的多粒度理由提取用于可解释多跳事实核查的可行性。具体而言，给定一个预训练的真伪预测模型，词元级解释器与句子级解释器被同时训练，通过可微掩码获得多粒度理由。同时，引入三个诊断性质(保真性、一致性、显著性)并应用于训练过程，以确保提取的理由满足忠实性与一致性。在三个多跳事实核查数据集上的实验结果表明，所提方法优于一些最先进(SOTA)基线。
引用
@article{arxiv.2305.09400,
title = {Consistent Multi-Granular Rationale Extraction for Explainable Multi-hop Fact Verification},
author = {Jiasheng Si and Yingjie Zhu and Deyu Zhou},
journal= {arXiv preprint arXiv:2305.09400},
year = {2023}
}