如何增强话语的因果判别力：以情感推理为例
计算与语言
2023-10-16 v2 人工智能
摘要
我们对对话中情感推理（ARC）任务的考察凸显了因果判别的挑战。几乎所有现有模型，包括大语言模型（LLMs），都擅长捕捉话语嵌入中的语义关联，却难以判定具体的因果关系。为克服此局限，我们提出将 \textit{i.i.d.} 噪声项引入对话过程，从而构建结构因果模型（SCM）。它探究如何通过独立条件辨别拟合嵌入的不同因果关系。为促进深度学习实现，我们引入 cogn 框架处理非结构化对话数据，并采用自编码器架构将不可观测噪声视为可学习的“隐式原因”。此外，我们整理了一个包含 i.i.d. 噪声的合成数据集。通过综合实验，我们验证了方法的有效性与可解释性。我们的代码见 https://github.com/Zodiark-ch/mater-of-our-EMNLP2023-paper。
引用
@article{arxiv.2305.02615,
title = {How to Enhance Causal Discrimination of Utterances: A Case on Affective Reasoning},
author = {Hang Chen and Jing Luo and Xinyu Yang and Wenjing Zhu},
journal= {arXiv preprint arXiv:2305.02615},
year = {2023}
}
备注
accepted via EMNLP2023-main