Diff-Explainer：用于可解释多跳推理的可微凸优化方法
计算与语言
2022-06-23 v2 人工智能
摘要
本文提出Diff-Explainer，这是首个通过可微凸优化将显式约束与神经架构相集成的可解释多跳推理混合框架。具体而言，Diff-Explainer允许在约束优化框架内对神经表示进行微调，以回答并用自然语言解释多跳问题。为展示该混合框架的有效性，我们将现有的基于ILP的多跳问答（QA）求解器与基于Transformer的表示相结合。在科学和常识QA任务上的广泛实证评估表明，在端到端可微框架中集成显式约束可显著提升不可微ILP求解器的性能（8.91%–13.3%）。此外，进一步的分析揭示，与独立的Transformer和先前的多跳方法相比，Diff-Explainer能够在仍提供支撑其预测的结构化解释的同时取得强劲性能。
引用
@article{arxiv.2105.03417,
title = {Diff-Explainer: Differentiable Convex Optimization for Explainable Multi-hop Inference},
author = {Mokanarangan Thayaparan and Marco Valentino and Deborah Ferreira and Julia Rozanova and André Freitas},
journal= {arXiv preprint arXiv:2105.03417},
year = {2022}
}