LOREN：用于可解释事实验证的逻辑正则化推理
计算与语言
2022-10-27 v2 人工智能
摘要
给定一个自然语言陈述，如何针对如 Wikipedia 等大规模文本知识源验证其真实性？大多数现有神经模型进行预测时并不给出虚假声明中哪一部分出错的线索。在本文中，我们提出 LOREN，一种用于可解释事实验证的方法。我们在短语级别分解整条声明的验证，其中短语的真实性作为解释，并可根据逻辑规则聚合为最终判定。LOREN 的核心洞见是将声明短语真实性表示为三值潜变量，并由聚合逻辑规则加以正则化。最终的声明验证基于所有潜变量。因此，LOREN 享有可解释性的额外益处——易于解释其如何借助声明短语真实性得出特定结果。在公开事实验证基准上的实验表明，LOREN 在具备忠实且准确的可解释性这一优点的同时，与先前方法相比具有竞争力。LOREN 的资源可从以下地址获取：https://github.com/jiangjiechen/LOREN。
引用
@article{arxiv.2012.13577,
title = {LOREN: Logic-Regularized Reasoning for Interpretable Fact Verification},
author = {Jiangjie Chen and Qiaoben Bao and Changzhi Sun and Xinbo Zhang and Jiaze Chen and Hao Zhou and Yanghua Xiao and Lei Li},
journal= {arXiv preprint arXiv:2012.13577},
year = {2022}
}
备注
Accepted to AAAI 2022