基于保密图神经网络的多证据事实验证
机器学习
2024-05-20 v1 人工智能
摘要
事实验证旨在根据真实语料库识别文本内容的完整性。现有的事实验证模型通常构建完全连接的推理图，将claim-evidence对作为节点并通过边相连。它们利用该图对节点进行语义传递。然而，噪声节点通常通过推理图的边传递其语义，这会误导其他节点的语义表示并放大噪声信号。为缓解噪声语义信息的传播，我们引入一种保密图注意力网络(CO-GAT)，其提出了用于建模节点的掩码机制。具体而言，CO-GAT通过估计claim与证据片段之间的相关性来计算节点置信度得分。然后，节点掩码机制使用节点置信度得分控制从普通节点到其他图节点的噪声信息流。CO-GAT在FEVER数据集上实现了73.59%的FEVER得分，并通过扩大其对科学特定领域的有效性来显示其泛化能力。
引用
@article{arxiv.2405.10481,
title = {Multi-Evidence based Fact Verification via A Confidential Graph Neural Network},
author = {Yuqing Lan and Zhenghao Liu and Yu Gu and Xiaoyuan Yi and Xiaohua Li and Liner Yang and Ge Yu},
journal= {arXiv preprint arXiv:2405.10481},
year = {2024}
}
备注
12pages