通过正确实例化实现无监督解释生成
计算与语言
2022-11-22 v1
摘要
尽管大型预训练语言模型（PLM）在解决判别任务上展现了出色能力，但在与解释相关的任务上仍与人类存在显著差距。其中，解释一个陈述为何错误（例如违背常识）极具挑战性。主要困难在于找到冲突点，即该陈述与真实世界相矛盾之处。本文提出Neon，一个两阶段的无监督解释生成框架。Neon首先生成该陈述的修正实例化（阶段I），随后利用它们提示大型PLM以找到冲突点并完成解释（阶段II）。我们在两个标准解释基准（即ComVE和e-SNLI）上进行了大量实验。根据自动与人工评估，Neon优于基线方法，甚至优于那些具有人工标注实例化的方法。除解释负向预测外，我们进一步证明Neon在泛化到不同场景时依然有效。
引用
@article{arxiv.2211.11160,
title = {Unsupervised Explanation Generation via Correct Instantiations},
author = {Sijie Cheng and Zhiyong Wu and Jiangjie Chen and Zhixing Li and Yang Liu and Lingpeng Kong},
journal= {arXiv preprint arXiv:2211.11160},
year = {2022}
}
备注
Accepted to AAAI-23