何时意义会适得其反？探讨 AMR 在 NLI 中的作用
计算与语言
2025-09-26 v2
摘要
自然语言推理（NLI）高度依赖对前提和假设语义内容的充分解析。本文研究了将语义信息以抽象语义表示（AMR）形式添加后，预训练语言模型在 NLI 中的泛化能力是否得到提升。我们的实验在微调和提示两种设置中集成 AMR，结果显示 AMR 在微调情况下会阻碍模型泛化，而使用提示形式的 AMR 仅为 GPT-4o 提供轻微提升。然而，消融研究揭示，改进来源于放大表面层差异，而非促进语义推理。这种放大效应可能导致模型在核心意义保持不变的情况下预测为非蕴含。
引用
@article{arxiv.2506.14613,
title = {When Does Meaning Backfire? Investigating the Role of AMRs in NLI},
author = {Junghyun Min and Xiulin Yang and Shira Wein},
journal= {arXiv preprint arXiv:2506.14613},
year = {2025}
}
备注
9 pages, 2 figures. *SEM 2025