ReCo：基于结构因果循环神经网络的可靠因果链推理
人工智能
2024-11-15 v1 计算与语言
摘要
因果链推理（CCR）是许多决策型人工智能系统必备的能力，要求模型通过连接因果对来构建可靠的因果链。然而，CCR 面临两个主要的传递性问题：阈值效应与场景漂移。换言之，待拼接的因果对可能存在相互冲突的阈值边界或场景。为解决这些问题，我们提出一种新颖的可靠因果链推理框架（ReCo），其引入外生变量来表示因果链中每个因果对的阈值与场景因素，并通过结构因果循环神经网络（SRNN）估计外生变量间的阈值与场景矛盾。实验表明，ReCo 在中文与英文 CCR 数据集上均优于一系列强基线。此外，通过注入由 ReCo 蒸馏出的可靠因果链知识，BERT 能在四个下游因果相关任务上取得优于经其他类型知识增强的 BERT 模型的表现。
引用
@article{arxiv.2212.08322,
title = {ReCo: Reliable Causal Chain Reasoning via Structural Causal Recurrent Neural Networks},
author = {Kai Xiong and Xiao Ding and Zhongyang Li and Li Du and Bing Qin and Yi Zheng and Baoxing Huai},
journal= {arXiv preprint arXiv:2212.08322},
year = {2024}
}
备注
Accepted by EMNLP 2022