为自然语言推理生成词元级解释
机器学习
2019-04-25 v1 计算与语言
机器学习
摘要
自然语言推理（NLI）任务被广泛建模为监督式句子对分类。虽然最近在生成单段文本分类器预测的解释方面已有大量工作，但尚未有人尝试为作用于句子对的分类器生成解释。在本文中，我们展示了无需显式标注用于此目的的训练数据即可为 NLI 生成词元级解释。我们使用简单的 LSTM 架构，并评估了该任务下的 LIME 和 Anchor 解释。我们将这些与一种使用阈值化注意力的多示例学习（MIL）方法进行比较以做出词元级预测。我们在本文中提出的方法是将零样本单句标注新颖地扩展到 NLI 的句子对。我们在近期增补了解释蕴含关系的词元人工标注的广受研究的 SNLI 数据集上进行实验。我们发现，我们基于白盒 MIL 的方法虽然速度快几个数量级，但未能达到与黑盒方法相同的准确率。
引用
@article{arxiv.1904.10717,
title = {Generating Token-Level Explanations for Natural Language Inference},
author = {James Thorne and Andreas Vlachos and Christos Christodoulopoulos and Arpit Mittal},
journal= {arXiv preprint arXiv:1904.10717},
year = {2019}
}
备注
Accepted at NAACL2019