Fugu-MT 論文翻訳(概要): e-CARE: a New Dataset for Exploring Explainable Causal Reasoning

論文の概要: e-CARE: a New Dataset for Exploring Explainable Causal Reasoning

arxiv url: http://arxiv.org/abs/2205.05849v1
Date: Thu, 12 May 2022 02:41:48 GMT
ステータス: 処理完了
システム内更新日: 2022-05-13 23:55:07.957248
Title: e-CARE: a New Dataset for Exploring Explainable Causal Reasoning
Title（参考訳）: e-CARE: 説明可能な因果推論のための新しいデータセット
Authors: Li Du, Xiao Ding, Kai Xiong, Ting Liu, and Bing Qin
Abstract要約: そこで本研究では,21K以上の因果推論質問を用いた人間記述型Causal Reasoningデータセット(e-CARE)を提案する。因果的事実の妥当な説明を生成することは、最先端のモデルでは依然として特に困難であることを示す。
参考スコア（独自算出の注目度）: 28.412572027774573
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Understanding causality has vital importance for various Natural Language Processing (NLP) applications. Beyond the labeled instances, conceptual explanations of the causality can provide deep understanding of the causal facts to facilitate the causal reasoning process. However, such explanation information still remains absent in existing causal reasoning resources. In this paper, we fill this gap by presenting a human-annotated explainable CAusal REasoning dataset (e-CARE), which contains over 21K causal reasoning questions, together with natural language formed explanations of the causal questions. Experimental results show that generating valid explanations for causal facts still remains especially challenging for the state-of-the-art models, and the explanation information can be helpful for promoting the accuracy and stability of causal reasoning models.
Abstract（参考訳）: 因果関係を理解することは、様々な自然言語処理(NLP)アプリケーションにとって極めて重要である。ラベル付き例を超えて、因果関係の概念的な説明は因果的事実の深い理解を提供し、因果的推論プロセスを促進する。しかし、これらの説明情報は既存の因果推論資源にはまだ残っていない。本稿では,21K以上の因果推論質問を含む人間記述型Causal Reasoningデータセット(e-CARE)と,因果的疑問の自然言語による説明によって,このギャップを埋める。実験の結果, 因果的事実に対する正当な説明の生成は, いまだに最先端のモデルでは特に困難であり, 因果的推論モデルの正確性と安定性の促進に有用であることがわかった。

関連論文リスト

CELLO: Causal Evaluation of Large Vision-Language Models [9.928321287432365]
因果推論は人間の知性の基本であり、現実世界の環境における効果的な意思決定に不可欠である。我々は,人間と物体の相互作用を含む因果関係の微細で統一的な定義を導入する。我々は,4段階の因果関係に関する14,094の因果関係質問からなる新しいデータセットであるCellOを構築した。
論文参考訳（メタデータ） (2024-06-27T12:34:52Z)
Cause and Effect: Can Large Language Models Truly Understand Causality? [1.2334534968968969]
本研究では,CARE CA(Content Aware Reasoning Enhancement with Counterfactual Analysis)フレームワークという新しいアーキテクチャを提案する。提案するフレームワークには,ConceptNetと反ファクト文を備えた明示的な因果検出モジュールと,大規模言語モデルによる暗黙的な因果検出が組み込まれている。 ConceptNetの知識は、因果的発見、因果的識別、反事実的推論といった複数の因果的推論タスクのパフォーマンスを向上させる。
論文参考訳（メタデータ） (2024-02-28T08:02:14Z)
Fundamental Properties of Causal Entropy and Information Gain [0.22252684361733285]
最近の進歩は、構造因果モデル(SCM)による因果制御の定量化を可能にする因果的エントロピーと因果的情報ゲインと名付けられた尺度は、因果性が重要な役割を果たす機械学習タスクに対する既存の情報理論的アプローチの限界に対処することを目的としている。
論文参考訳（メタデータ） (2024-02-02T11:55:57Z)
Inducing Causal Structure for Abstractive Text Summarization [76.1000380429553]
要約データの因果構造を誘導する構造因果モデル(SCM)を導入する。本稿では因果的要因を模倣できる因果的表現を学習するための因果性インスピレーション付き系列列列モデル(CI-Seq2Seq)を提案する。 2つの広く使われているテキスト要約データセットの実験結果は、我々のアプローチの利点を示している。
論文参考訳（メタデータ） (2023-08-24T16:06:36Z)
MetaLogic: Logical Reasoning Explanations with Fine-Grained Structure [129.8481568648651]
複雑な実生活シナリオにおけるモデルの論理的推論能力を調べるためのベンチマークを提案する。推論のマルチホップ連鎖に基づいて、説明形式は3つの主成分を含む。この新たな説明形式を用いて,現在のベストモデルの性能を評価した。
論文参考訳（メタデータ） (2022-10-22T16:01:13Z)
Active Bayesian Causal Inference [72.70593653185078]
因果発見と推論を統合するための完全ベイズ能動学習フレームワークであるアクティブベイズ因果推論(ABCI)を提案する。 ABCIは因果関係のモデルと関心のクエリを共同で推論する。我々のアプローチは、完全な因果グラフの学習のみに焦点を当てた、いくつかのベースラインよりも、よりデータ効率が高いことを示す。
論文参考訳（メタデータ） (2022-06-04T22:38:57Z)
Explaining Causal Models with Argumentation: the Case of Bi-variate Reinforcement [15.947501347927687]
因果モデルから議論フレームワーク(AF)を生成するための概念化を導入する。この概念化は、AFの意味論の望ましい性質を説明型として再解釈することに基づいている。我々はこれらの論証的説明の理論的評価を行い、それらが望ましい説明的および論証的特性の範囲を満たすかどうかを検討する。
論文参考訳（メタデータ） (2022-05-23T19:39:51Z)
Scientific Explanation and Natural Language: A Unified Epistemological-Linguistic Perspective for Explainable AI [2.7920304852537536]
本稿では,理論と実践のギャップを科学的説明の概念に埋めることを目的として,科学的領域に焦点を当てた。定量的および定性的手法の混合により、本研究では以下の主要な結論を導出することができる。
論文参考訳（メタデータ） (2022-05-03T22:31:42Z)
Human Interpretation of Saliency-based Explanation Over Text [65.29015910991261]
テキストデータ上でのサリエンシに基づく説明について検討する。人はしばしば説明を誤って解釈する。本稿では,過度知覚と過小認識のモデル推定に基づいて,サリエンシを調整する手法を提案する。
論文参考訳（メタデータ） (2022-01-27T15:20:32Z)
Everything Has a Cause: Leveraging Causal Inference in Legal Text Analysis [62.44432226563088]
因果推論は変数間の因果関係を捉えるプロセスである。本論文では,事実記述から因果グラフを構築するための新たなグラフベース因果推論フレームワークを提案する。 GCIに含まれる因果知識を強力なニューラルネットワークに効果的に注入することで、パフォーマンスと解釈性が向上します。
論文参考訳（メタデータ） (2021-04-19T16:13:10Z)
Thinking About Causation: A Causal Language with Epistemic Operators [58.720142291102135]
我々はエージェントの状態を表すことで因果モデルの概念を拡張した。対象言語の側面には、知識を表現する演算子や、新しい情報を観察する行為が追加されます。我々は、論理の健全かつ完全な公理化を提供し、このフレームワークと因果的チーム意味論との関係について論じる。
論文参考訳（メタデータ） (2020-10-30T12:16:45Z)

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。