基于双曲图神经网络的高效环境主张检测
计算与语言
2025-11-21 v3
摘要
基于 Transformer 的模型，尤其是大语言模型（LLM），凭借其在文本生成、摘要和假新闻检测等任务中的大规模应用，主导了 NLP 领域。这些模型在大多数应用中易于部署且可靠，然而它们在训练和推理时需要大量计算资源。这对其在资源受限应用中的采用构成了挑战，尤其是在计算资源通常稀缺的开源社区。本工作提出了一种用于环境主张检测的图方法，探索图神经网络（GNN）和双曲图神经网络（HGNN）作为基于 Transformer 模型的轻量且有效的替代方案。我们将该任务重新表述为图分类问题，将主张句子转换为依存句法分析图，结合 word2vec 与可学习的词性（POS）标签嵌入作为节点特征，并在边关系中编码句法依存关系。我们的结果表明，基于图的模型，特别是在 poincaré 空间中的 HGNN（P-HGNN），在环境主张检测上取得了优于 SOTA 的性能，同时使用的参数量减少达 \textbf{30 倍}。我们还证明，HGNN 从显式地对层次（树状）结构数据进行建模中获益匪浅，使其性能显著优于其欧几里得对应模型。
引用
@article{arxiv.2502.13628,
title = {Efficient Environmental Claim Detection with Hyperbolic Graph Neural Networks},
author = {Darpan Aswal and Manjira Sinha},
journal= {arXiv preprint arXiv:2502.13628},
year = {2025}
}