基于自省修正的神经符号自然逻辑自然语言推理框架
计算与语言
2022-06-08 v2
摘要
我们引入了一种基于带自省修正的强化学习的神经符号自然逻辑框架。该模型通过策略梯度对特定的推理路径进行采样并奖励，其中自省修正算法修改中间符号推理步骤，以发现获奖励的操作，并利用外部知识来缓解虚假推理与训练低效。该框架由适当设计的局部关系模型支持，以避免输入纠缠，有助于确保证明路径的可解释性。与现有数据集上的先前模型相比，所提出的模型具有内置可解释性，并在单调性推理、系统性泛化以及可解释性方面展现出优越能力。
引用
@article{arxiv.2203.04857,
title = {Neuro-symbolic Natural Logic with Introspective Revision for Natural Language Inference},
author = {Yufei Feng and Xiaoyu Yang and Xiaodan Zhu and Michael Greenspan},
journal= {arXiv preprint arXiv:2203.04857},
year = {2022}
}
备注
To appear at TACL 2022, MIT Press