論文の概要: INTERACTION: A Generative XAI Framework for Natural Language Inference Explanations

• arxiv url: http://arxiv.org/abs/2209.01061v1
• Date: Fri, 2 Sep 2022 13:52:39 GMT
• ステータス: 処理完了
• システム内更新日: 2022-09-05 12:04:55.390466
• Title: INTERACTION: A Generative XAI Framework for Natural Language Inference Explanations
• Title（参考訳）: InterACTION: 自然言語推論記述のための生成型XAIフレームワーク
• Authors: Jialin Yu, Alexandra I. Cristea, Anoushka Harit, Zhongtian Sun, Olanrewaju Tahir Aduragba, Lei Shi, Noura Al Moubayed
• Abstract要約: 現在のXAIアプローチは、ひとつの説明を提供することにのみ焦点をあてています。 本稿では、生成型XAIフレームワーク、InterACTION(explaIn aNd predicT thEn queRy with contextuAl CondiTional variational autO-eNcoder)を提案する。 提案するフレームワークは,説明とラベル予測の2つのステップ,および(ステップ2)異種証拠生成の2つのステップで説明を行う。
• 参考スコア（独自算出の注目度）: 58.062003028768636
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: XAI with natural language processing aims to produce human-readable explanations as evidence for AI decision-making, which addresses explainability and transparency. However, from an HCI perspective, the current approaches only focus on delivering a single explanation, which fails to account for the diversity of human thoughts and experiences in language. This paper thus addresses this gap, by proposing a generative XAI framework, INTERACTION (explaIn aNd predicT thEn queRy with contextuAl CondiTional varIational autO-eNcoder). Our novel framework presents explanation in two steps: (step one) Explanation and Label Prediction; and (step two) Diverse Evidence Generation. We conduct intensive experiments with the Transformer architecture on a benchmark dataset, e-SNLI. Our method achieves competitive or better performance against state-of-the-art baseline models on explanation generation (up to 4.7% gain in BLEU) and prediction (up to 4.4% gain in accuracy) in step one; it can also generate multiple diverse explanations in step two.
• Abstract（参考訳）: 自然言語処理を備えたXAIは、説明可能性と透明性に対処するAI意思決定の証拠として、人間が読める説明を生成することを目的としている。 しかし、hciの観点からは、現在のアプローチは単一の説明を提供することにのみ焦点を合わせており、言語における人間の思考と経験の多様性を考慮できていない。 そこで本研究では,このギャップに対処するため,生成型XAIフレームワークであるInterinterACTION(explaIn aNd predicT thEn queRy with contextuAl CondiTional varIational autO-eNcoder)を提案する。 提案するフレームワークは,説明とラベル予測の2つのステップ,および(ステップ2)異種証拠生成の2つのステップで説明を行う。 ベンチマークデータセット e-SNLI 上でTransformer アーキテクチャによる集中的な実験を行う。 提案手法は,ステップ1における説明生成(BLEUでは最大4.7%,精度では最大4.4%)と予測(最大4.4%)に基づいて,最先端のベースラインモデルに対する競合的あるいはより良い性能を実現する。

関連論文リスト

• Generative Aspect-Based Sentiment Analysis with Contrastive Learning and Expressive Structure [6.125761583306958]
  本稿では、ACOS四重項抽出のための構造生成を改善する2つの技術からなるGEN-SCL-NATを紹介する。 まず、鍵入力属性間で識別可能な入力表現を生成することをモデルに促すことにより、4倍予測を支援する教師付きコントラスト学習目標であるGEN-SCLを提案する。 第二にGEN-NATは、自己回帰エンコーダデコーダモデルに適応し、生成方式で四重項を抽出する新しい構造生成フォーマットである。
  論文  参考訳（メタデータ） (2022-11-14T20:47:02Z)
• On the Evaluation of the Plausibility and Faithfulness of Sentiment Analysis Explanations [2.071923272918415]
  2つの角度からSAモデルの説明可能性を評価するために,異なる指標と手法を提案する。 まず,抽出した「有理数」の強度を評価し,予測結果の忠実な説明を行う。 第2に、自家製のデータセット上で、ExAI法と人的判断の一致を計測する。
  論文  参考訳（メタデータ） (2022-10-13T11:29:17Z)
• A Survey on Non-Autoregressive Generation for Neural Machine Translation and Beyond [145.43029264191543]
  非自己回帰(NAR)生成は、推論を高速化するために神経機械翻訳(NMT)で最初に提案される。 我々は,様々な非自己回帰的翻訳(NAT)モデルの比較と議論を行い,系統的な調査を行った。 本稿では,対話要約,テキスト要約,文法誤り訂正,意味解析,自動解析など,機械翻訳以外の他のNARモデルを概観する。
  論文  参考訳（メタデータ） (2022-04-20T07:25:22Z)
• A Latent-Variable Model for Intrinsic Probing [94.61336186402615]
  固有プローブ構築のための新しい潜在変数定式化を提案する。 我々は、事前訓練された表現が言語間交互に絡み合ったモルフォシンタクスの概念を発達させる経験的証拠を見出した。
  論文  参考訳（メタデータ） (2022-01-20T15:01:12Z)
• A Comparative Study of Transformers on Word Sense Disambiguation [0.0]
  本稿では,ニューラルネットワークを用いた埋め込みシステムの文脈化能力について比較検討する。 本稿では,2つのWord Sense Disambiguation (WSD)タスクであるSensEval-2とSensEval-3を用いて,その文脈化能力を評価する。 実験の結果,提案手法は両WSDタスクにおける現状よりも優れた結果が得られることがわかった。
  論文  参考訳（メタデータ） (2021-11-30T14:10:22Z)
• Aspect Sentiment Quad Prediction as Paraphrase Generation [53.33072918744124]
  Aspect Sentiment Quad Prediction (ASQP)タスクを導入し、与えられた意見文に対するクワッド内のすべての感情要素を共同で検出することを目的とした。 本稿では,ASQP タスクをパラフレーズ生成プロセスにキャストする新しいtextscParaphrase モデリングパラダイムを提案する。 一方、感情要素のセマンティクスは、自然言語形式でそれらを生成する学習によって完全に活用することができる。
  論文  参考訳（メタデータ） (2021-10-02T12:57:27Z)
• Training Bi-Encoders for Word Sense Disambiguation [4.149972584899897]
  Word Sense Disambiguationの最先端のアプローチは、これらのモデルからの事前訓練された埋め込みとともに語彙情報を活用し、標準評価ベンチマークにおける人間間のアノテータ合意に匹敵する結果を得る。 我々はさらに,多段階事前学習および微調整パイプラインを通じて,Word Sense Disambiguationにおける技術の現状について述べる。
  論文  参考訳（メタデータ） (2021-05-21T06:06:03Z)
• Knowledge-Aware Procedural Text Understanding with Multi-Stage Training [110.93934567725826]
  本稿では,このような文書の理解とプロセス中のエンティティの状態や場所の追跡を目的とした手続き的テキスト理解の課題に焦点をあてる。 常識的推論の難しさとデータ不足という2つの課題はまだ未解決のままである。 我々は、複数の外部知識を効果的に活用する、KnOwledge-Aware ProceduraL text understAnding (KOALA)モデルを提案する。
  論文  参考訳（メタデータ） (2020-09-28T10:28:40Z)
• Generative Language-Grounded Policy in Vision-and-Language Navigation with Bayes' Rule [80.0853069632445]
  視覚言語ナビゲーション(VLN)は、エージェントが現実的な3D環境に具体化され、目標ノードに到達するための指示に従うタスクである。 本稿では,言語モデルを用いて可能なすべての命令の分布を計算する生成言語基底ポリシーの設計と検討を行う。 実験では,提案手法がRoom-2-Room (R2R) とRoom-4-Room (R4R) データセット,特に未確認環境において差別的アプローチよりも優れていることを示す。
  論文  参考訳（メタデータ） (2020-09-16T16:23:17Z)

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。