論文の概要: Logic-level Evidence Retrieval and Graph-based Verification Network for Table-based Fact Verification

• arxiv url: http://arxiv.org/abs/2109.06480v1
• Date: Tue, 14 Sep 2021 07:25:36 GMT
• ステータス: 処理完了
• システム内更新日: 2021-09-16 01:38:42.620801
• Title: Logic-level Evidence Retrieval and Graph-based Verification Network for Table-based Fact Verification
• Title（参考訳）: 表に基づく事実検証のための論理レベルエビデンス検索とグラフベース検証ネットワーク
• Authors: Qi Shi, Yu Zhang, Qingyu Yin, Ting Liu
• Abstract要約: 表に基づく事実検証タスクを証拠検索と推論の枠組みとして定式化する。 具体的には、まず、与えられた表から論理レベルのプログラムライクなエビデンスを取得し、その表の補足的なエビデンスとして宣言する。 その後、得られたエビデンスにおけるエンティティと関数間の論理的関係を捉えるための論理レベルグラフを構築した。
• 参考スコア（独自算出の注目度）: 16.30704888733592
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Table-based fact verification task aims to verify whether the given statement is supported by the given semi-structured table. Symbolic reasoning with logical operations plays a crucial role in this task. Existing methods leverage programs that contain rich logical information to enhance the verification process. However, due to the lack of fully supervised signals in the program generation process, spurious programs can be derived and employed, which leads to the inability of the model to catch helpful logical operations. To address the aforementioned problems, in this work, we formulate the table-based fact verification task as an evidence retrieval and reasoning framework, proposing the Logic-level Evidence Retrieval and Graph-based Verification network (LERGV). Specifically, we first retrieve logic-level program-like evidence from the given table and statement as supplementary evidence for the table. After that, we construct a logic-level graph to capture the logical relations between entities and functions in the retrieved evidence, and design a graph-based verification network to perform logic-level graph-based reasoning based on the constructed graph to classify the final entailment relation. Experimental results on the large-scale benchmark TABFACT show the effectiveness of the proposed approach.
• Abstract（参考訳）: テーブルベースの事実検証タスクは、与えられたステートメントが与えられた半構造化テーブルによってサポートされているかどうかを検証することを目的としている。 論理演算によるシンボリック推論は、このタスクにおいて重要な役割を果たす。 既存の手法では、豊富な論理情報を含むプログラムを活用して検証プロセスを強化する。 しかし、プログラム生成プロセスにおける完全な教師付き信号の欠如により、スプリアスプログラムの導出と採用が可能となり、モデルが有用な論理演算を捉えることができない。 そこで本研究では,論理レベルのエビデンス検索とグラフベースの検証ネットワーク(lergv)を提案し,テーブルベースのファクト検証タスクをエビデンス検索・推論フレームワークとして定式化する。 具体的には、まず、与えられた表と文から論理レベルのプログラムのような証拠を補足的な証拠として取り出す。 その後、検索されたエビデンス内のエンティティと関数の論理関係をキャプチャする論理レベルグラフを構築し、構築されたグラフに基づいて論理レベルグラフベースの推論を行い、最終的な包含関係を分類するグラフベースの検証ネットワークを設計する。 大規模ベンチマークTABFACTの実験結果は,提案手法の有効性を示している。

関連論文リスト

• Chain-of-Table: Evolving Tables in the Reasoning Chain for Table Understanding [79.9461269253121]
  そこで我々は、中間思考のプロキシとして、図表データを推論チェーンで明示的に使用するChain-of-Tableフレームワークを提案する。 Chain-of-TableはWikiTQ、FeTaQA、TabFactベンチマークで最新のパフォーマンスを実現している。
  論文  参考訳（メタデータ） (2024-01-09T07:46:26Z)
• LOGICSEG: Parsing Visual Semantics with Neural Logic Learning and Reasoning [73.98142349171552]
  LOGICSEGは、神経誘導学習と論理推論をリッチデータとシンボリック知識の両方に統合する、全体論的視覚意味論である。 ファジィ論理に基づく連続的な緩和の間、論理式はデータとニューラルな計算グラフに基礎を置いており、論理によるネットワークトレーニングを可能にする。 これらの設計によりLOGICSEGは、既存のセグメンテーションモデルに容易に統合できる汎用的でコンパクトなニューラル論理マシンとなる。
  論文  参考訳（メタデータ） (2023-09-24T05:43:19Z)
• Modeling Hierarchical Reasoning Chains by Linking Discourse Units and Key Phrases for Reading Comprehension [80.99865844249106]
  本稿では,論理的推論の基盤として,対話レベルと単語レベルの両方の文脈を扱う総合グラフネットワーク(HGN)を提案する。 具体的には、ノードレベルの関係とタイプレベルの関係は、推論過程におけるブリッジと解釈できるが、階層的な相互作用機構によってモデル化される。
  論文  参考訳（メタデータ） (2023-06-21T07:34:27Z)
• Investigating the Robustness of Natural Language Generation from Logical Forms via Counterfactual Samples [30.079030298066847]
  事前訓練されたモデルに基づく最先端の手法は、標準テストデータセットで顕著なパフォーマンスを達成した。 これらの手法が、テーブルのヘッダーと論理形式の演算子の間の急激な相関にのみ依存するのではなく、論理的推論を行う方法を学ぶかどうかを疑問視する。 本稿では,ショートカットへの依存を減らすための2つのアプローチを提案する。
  論文  参考訳（メタデータ） (2022-10-16T14:14:53Z)
• Discourse-Aware Graph Networks for Textual Logical Reasoning [142.0097357999134]
  パッセージレベルの論理関係は命題単位間の係り合いまたは矛盾を表す(例、結論文) 論理的推論QAを解くための論理構造制約モデリングを提案し、談話対応グラフネットワーク(DAGN)を導入する。 ネットワークはまず、インラインの談話接続とジェネリック論理理論を利用した論理グラフを構築し、その後、エッジ推論機構を用いて論理関係を進化させ、グラフ機能を更新することで論理表現を学習する。
  論文  参考訳（メタデータ） (2022-07-04T14:38:49Z)
• PLOG: Table-to-Logic Pretraining for Logical Table-to-Text Generation [44.78200830757109]
  本稿では,PLOG(Pretrained Logical Form Generator)フレームワークを提案する。 PLOGはまずテーブル・ツー・論理形式生成タスクで事前訓練され、その後下流のテーブル・ツー・テキストタスクで微調整される。 PLOGは、テーブル-テキスト対よりもずっと確実に、テーブル-論理対から論理的推論を学ぶことができる。
  論文  参考訳（メタデータ） (2022-05-25T11:55:54Z)
• LogiGAN: Learning Logical Reasoning via Adversarial Pre-training [58.11043285534766]
  本稿では,言語モデルの論理的推論能力を向上させるために,教師なしの対人事前学習フレームワークLogiGANを提案する。 人間の学習におけるリフレクティブ思考の促進効果に着想を得て,逆生成検証アーキテクチャを用いて学習思考過程をシミュレートする。 LogiGANで事前トレーニングされたベースモデルと大規模言語モデルの両方で、12のデータセットで明らかなパフォーマンス改善が示されている。
  論文  参考訳（メタデータ） (2022-05-18T08:46:49Z)
• Program Enhanced Fact Verification with Verbalization and Graph Attention Network [25.33739187395408]
  本稿では,プログラムと実行をテキスト推論モデルに統合する,プログラム強化型言語化とグラフ注意ネットワーク(ProgVGAT)を提案する。 本研究では,言語化されたプログラムの実行,プログラム構造,原文と表から,さまざまな証拠源を融合するグラフアテンション検証ネットワークを構築した。 実験結果から,提案手法はベンチマークデータセットTABFACTにおいて74.4%の精度で新たな最先端性能を実現することがわかった。
  論文  参考訳（メタデータ） (2020-10-06T23:29:08Z)
• LogicalFactChecker: Leveraging Logical Operations for Fact Checking with Graph Module Network [111.24773949467567]
  ファクトチェックに論理演算を活用するニューラルネットワークアプローチであるLogicalFactCheckerを提案する。 大規模なベンチマークデータセットであるTABFACT上での最先端のパフォーマンスを実現している。
  論文  参考訳（メタデータ） (2020-04-28T17:04:19Z)

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。