CREST：一种用于选择性合理化与反事实文本生成的联合框架

选择性合理化与反事实示例已成为两类有效且互补的可解释性方法，用于分析和训练NLP模型。然而，先前工作尚未探索如何将这些方法整合以结合其互补优势。我们通过引入CREST(ContRastive Edits with Sparse raTionalization，基于稀疏合理化的对比编辑)克服这一局限，这是一种用于选择性合理化与反事实文本生成的联合框架，并表明该框架可改善反事实质量、模型鲁棒性和可解释性。首先，CREST生成的有效反事实比先前方法生成的更自然，随后可用于大规模数据增强，减少对人工生成示例的需求。其次，我们引入了一种新的损失函数，利用CREST反事实来正则化选择性合理化，并表明与未利用CREST反事实的方法相比，该正则化同时改善了模型鲁棒性和合理化质量。我们的结果表明，CREST成功弥合了选择性合理化与反事实示例之间的鸿沟，解决了现有方法的局限，并提供了对模型预测的更全面的视角。