基于显著感知图学习探索多跳事实核验的忠实理由
计算与语言
2022-12-05 v1 人工智能
摘要
多跳事实核验模型的不透明性迫切要求可解释性。一种可行的方法是提取理由（rationale），即输入的一个子集，移除后预测性能急剧下降。尽管具有可解释性，大多数多跳事实核验的理由提取方法单独探索每条证据内部的语义信息，而忽略了不同证据间的拓扑信息交互。直观上，一个忠实的理由带有互补信息，能够通过多跳推理过程提取其他理由。为应对上述不足，我们将可解释多跳事实核验视为子图提取问题，可基于显著感知图学习与图卷积网络（GCN）求解。具体而言，利用 GCN 融合多条证据间的拓扑交互信息以学习证据表示。同时，为减轻噪声证据的影响，将显著感知图扰动引入 GCN 的消息传递中。此外，设计了具有理由三个诊断性质的多任务模型，以在无任何显式标注的情况下提升解释质量。在 FEVEROUS 基准上的实验结果表明，在理由提取与事实核验上均较先前最先进方法取得显著增益。
引用
@article{arxiv.2212.01060,
title = {Exploring Faithful Rationale for Multi-hop Fact Verification via Salience-Aware Graph Learning},
author = {Jiasheng Si and Yingjie Zhu and Deyu Zhou},
journal= {arXiv preprint arXiv:2212.01060},
year = {2022}
}
备注
Accepted by AAAI2023