論文の概要: Factual Error Correction of Claims
- arxiv url: http://arxiv.org/abs/2012.15788v1
- Date: Thu, 31 Dec 2020 18:11:26 GMT
- ステータス: 処理完了
- システム内更新日: 2021-04-17 17:27:03.988361
- Title: Factual Error Correction of Claims
- Title(参考訳): 請求項の事実的誤り訂正
- Authors: James Thorne, Andreas Vlachos
- Abstract要約: 本稿では,事実誤り訂正の課題を紹介する。
誤情報を含む文章を修正するメカニズムを提供します。
これは、すでに証拠によって部分的に支持されている主張に固有の説明として機能する。
- 参考スコア(独自算出の注目度): 18.52583883901634
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: This paper introduces the task of factual error correction: performing edits
to a claim so that the generated rewrite is supported by evidence. This serves
two purposes: firstly this provides a mechanism to correct written texts that
contain misinformation, and secondly, this acts as an inherent explanation for
claims already partially supported by evidence. We demonstrate that factual
error correction is possible without the need for any additional training data
using distant-supervision and retrieved evidence. We release a dataset of
65,000 instances, based on a recent fact verification dataset, to compare our
distantly-supervised method to a fully supervised ceiling system. Our manual
evaluation indicates which automated evaluation metrics best correlate with
human judgements of factuality and whether errors were actually corrected.
- Abstract(参考訳): 本稿では, 事実誤り訂正の課題について紹介する: クレームに対する編集を行い, 生成したリライトを証拠によって支持する。
第一に、誤報を含む文章を訂正するメカニズムを提供し、第二に、すでに証拠によって部分的に支持されている主張に対する本質的な説明として機能する。
遠隔観察および検索した証拠を用いた追加のトレーニングデータを必要としない事実的誤り訂正が可能であることを実証する。
我々は,最近のファクト検証データセットに基づく65,000インスタンスのデータセットをリリースし,遠隔教師あり方式と完全教師付き天井方式を比較した。
手動による評価では, 自動評価指標は, 事実判断と相関し, エラーが実際に修正されたかどうかを示す。
関連論文リスト
- Understanding Factual Errors in Summarization: Errors, Summarizers,
Datasets, Error Detectors [101.41859030750364]
我々は、注釈付き要約出力の9つのデータセットからラベル付き事実性エラーを収集する。
次に、ラベル付きエラータイプを単一の分類に統一し、データセットのエラーをそれぞれ共有ラベル付き空間に投影する。
このベンチマークでは、最先端の5つのエラー検出手法を対比する。
論文 参考訳(メタデータ) (2022-05-25T15:26:48Z) - Factual Error Correction for Abstractive Summaries Using Entity
Retrieval [57.01193722520597]
本稿では,エンティティ検索後処理に基づく効率的な事実誤り訂正システムRFECを提案する。
RFECは、原文と対象要約とを比較して、原文から証拠文を検索する。
次に、RFECは、エビデンス文を考慮し、要約中のエンティティレベルのエラーを検出し、エビデンス文から正確なエンティティに置換する。
論文 参考訳(メタデータ) (2022-04-18T11:35:02Z) - GERE: Generative Evidence Retrieval for Fact Verification [57.78768817972026]
本稿では,ジェネレーション方式で証拠を検索する最初のシステムであるGEREを提案する。
FEVERデータセットの実験結果は、GEREが最先端のベースラインよりも大幅に改善されていることを示している。
論文 参考訳(メタデータ) (2022-04-12T03:49:35Z) - Synthetic Disinformation Attacks on Automated Fact Verification Systems [53.011635547834025]
本研究では,2つのシミュレーション環境において,自動ファクトチェッカーの合成正反対証拠に対する感度について検討する。
これらのシステムでは,これらの攻撃に対して大幅な性能低下がみられた。
偽情報の発生源としての現代のNLGシステムの脅威の増大について論じる。
論文 参考訳(メタデータ) (2022-02-18T19:01:01Z) - Assisting the Human Fact-Checkers: Detecting All Previously Fact-Checked
Claims in a Document [27.076320857009655]
入力文書が与えられた場合、以前に事実確認されたクレームによって検証可能なクレームを含むすべての文を検出することを目的としている。
出力は文書文の再ランクリストであり、検証可能なものは可能な限り高くランク付けされる。
本分析は,テキストの類似性やスタンスをモデル化することの重要性を実証すると同時に,検索した事実チェックされたクレームの正確性も考慮する。
論文 参考訳(メタデータ) (2021-09-14T13:46:52Z) - Evidence-based Factual Error Correction [18.52583883901634]
本稿では,事実誤り訂正の課題を紹介する。
これは、反論されるか、証拠によって部分的にのみ支持される文章を訂正するメカニズムを提供する。
論文 参考訳(メタデータ) (2021-06-02T11:00:17Z) - Zero-shot Fact Verification by Claim Generation [85.27523983027471]
我々は,堅牢な事実検証モデルをトレーニングするフレームワークであるQACGを開発した。
われわれは自動的に生成されたクレームを使って、Wikipediaのエビデンスからサポートしたり、反論したり、検証したりできる。
ゼロショットシナリオでは、QACGはRoBERTaモデルのF1を50%から77%に改善し、パフォーマンスは2K以上の手作業による例に相当する。
論文 参考訳(メタデータ) (2021-05-31T03:13:52Z) - Evidence-based Verification for Real World Information Needs [54.86596226139524]
クレーム検証は、証拠に対する文書の妥当性を予測するタスクである。
本稿では,検索エンジンクエリからインスタンスを抽出した新しいクレーム検証データセットを提案する。
各請求について、我々はセクションと文レベルの粒度の両方で完全なウィキペディアの記事から証拠を注釈します。
論文 参考訳(メタデータ) (2021-04-01T17:40:08Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。