論文の概要: Zero-Shot Classification by Logical Reasoning on Natural Language Explanations

• arxiv url: http://arxiv.org/abs/2211.03252v1
• Date: Mon, 7 Nov 2022 01:05:11 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-08 16:55:34.304495
• Title: Zero-Shot Classification by Logical Reasoning on Natural Language Explanations
• Title（参考訳）: 自然言語による論理推論によるゼロショット分類
• Authors: Chi Han, Hengzhi Pei, Xinya Du, Heng Ji
• Abstract要約: 人間は言語の説明に基づいて、目に見えないカテゴリーを分類することができる。 我々はCLOREフレームワークを提案する(説明の論理的推論による分類)。 CLOREは、説明を論理構造に解析し、入力のこの構造に沿って理由を解析して分類スコアを生成する。
• 参考スコア（独自算出の注目度）: 56.42922904777717
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Humans can classify an unseen category by reasoning on its language explanations. This ability is owing to the compositional nature of language: we can combine previously seen concepts to describe the new category. For example, we might describe mavens as "a kind of large birds with black feathers", so that others can use their knowledge of concepts "large birds" and "black feathers" to recognize a maven. Inspired by this observation, in this work we tackle zero-shot classification task by logically parsing and reasoning on natural language explanations. To this end, we propose the framework CLORE (Classification by LOgical Reasoning on Explanations). While previous methods usually regard textual information as implicit features, CLORE parses the explanations into logical structure the and then reasons along this structure on the input to produce a classification score. Experimental results on explanation-based zero-shot classification benchmarks demonstrate that CLORE is superior to baselines, mainly because it performs better on tasks requiring more logical reasoning. Alongside classification decisions, CLORE can provide the logical parsing and reasoning process as a form of rationale. Through empirical analysis we demonstrate that CLORE is also less affected by linguistic biases than baselines.
• Abstract（参考訳）: 人間は言語の説明に基づいて、目に見えないカテゴリーを分類することができる。 この能力は言語の合成の性質によるもので、以前の概念を組み合わせて新しいカテゴリを記述することができる。 例えば、mavenを"黒い羽を持つ大きな鳥の一種"と表現して、"大きな鳥"と"黒い羽"という概念の知識を使ってmavenを認識できるようにするかもしれません。 この観察から着想を得た本研究では,自然言語説明を論理的に解析し推論することにより,ゼロショット分類課題に取り組む。 そこで本研究では,CLORE (LOGical Reasoning on Explanations) というフレームワークを提案する。 従来の方法はテキスト情報を暗黙的な特徴とみなすが、CLOREは説明を論理構造に解析し、入力のこの構造に沿って理由を解析して分類スコアを生成する。 説明に基づくゼロショット分類ベンチマークの実験結果は、CLOREがベースラインよりも優れていることを示す。 分類決定の他に、CLOREは論理解析と推論の過程を合理化の一形態として提供することができる。 経験的分析を通して、CLOREはベースラインよりも言語バイアスの影響を受けないことを示した。

関連論文リスト

• P-FOLIO: Evaluating and Improving Logical Reasoning with Abundant Human-Written Reasoning Chains [97.25943550933829]
  P-FOLIO(P-FOLIO)は、多種多様で複雑な推論連鎖からなる人称注釈付きデータセットである。 我々はP-FOLIOを用いて大規模言語モデル推論機能の評価と改善を行う。
  論文  参考訳（メタデータ） (2024-10-11T19:22:57Z)
• LogicBench: Towards Systematic Evaluation of Logical Reasoning Ability of Large Language Models [52.03659714625452]
  最近開発された大規模言語モデル (LLM) は、幅広い言語理解タスクにおいて非常によく機能することが示されている。 しかし、それらは自然言語に対して本当に「理性」があるのだろうか? この疑問は研究の注目を集めており、コモンセンス、数値、定性的など多くの推論技術が研究されている。
  論文  参考訳（メタデータ） (2024-04-23T21:08:49Z)
• FLamE: Few-shot Learning from Natural Language Explanations [12.496665033682202]
  本稿では,自然言語の説明から学習するフレームワークFLamEを紹介する。 自然言語推論の実験は、強いベースラインに対する効果を示す。 人間の評価は、生成した説明の大多数が適切に分類決定を正当化していないことを驚くほど明らかにしている。
  論文  参考訳（メタデータ） (2023-06-13T18:01:46Z)
• Extending Logic Explained Networks to Text Classification [5.289706151390118]
  我々はLENpを提案し、入力語を摂動することで局所的な説明を改善し、テキスト分類でそれをテストする。 その結果, (i) LENp は LIME よりも感度, 忠実度, (ii) 論理的説明は LIME の機能評価よりも有用で, ユーザフレンドリであることがわかった。
  論文  参考訳（メタデータ） (2022-11-04T16:12:03Z)
• Machine Reading, Fast and Slow: When Do Models "Understand" Language? [59.897515617661874]
  本稿では,2つの言語スキル(コア参照の解決と比較)に関して,理解モデルを読み取る行動について検討する。 比較のため(コアではない)、より大きなエンコーダに基づくシステムは、より「正しい」情報に依存する傾向にあることがわかった。
  論文  参考訳（メタデータ） (2022-09-15T16:25:44Z)
• CLUES: A Benchmark for Learning Classifiers using Natural Language Explanations [12.278877764015725]
  教師付き学習は伝統的に、タスクのラベル付き例を観察して帰納的学習に焦点を合わせてきた。 対照的に、人間は言語から新しい概念を学ぶ能力を持っている。 自然言語のExplainationSを用いた学習のためのベンチマークであるCLUESを紹介する。 CLUESは36の現実世界と144の合成分類タスクで構成されている。
  論文  参考訳（メタデータ） (2022-04-14T17:54:46Z)
• Fact-driven Logical Reasoning for Machine Reading Comprehension [82.58857437343974]
  私たちは、常識と一時的な知識のヒントの両方を階層的にカバーする動機があります。 具体的には,文の背骨成分を抽出し,知識単位の一般的な定式化を提案する。 次に、事実単位の上にスーパーグラフを構築し、文レベル(事実群間の関係)と実体レベルの相互作用の利点を享受する。
  論文  参考訳（メタデータ） (2021-05-21T13:11:13Z)
• LOREN: Logic Enhanced Neural Reasoning for Fact Verification [24.768868510218002]
  本稿では,論理誘導推論とニューラル推論を統合したファクト検証手法であるLORENを提案する。 単一の推論ユニットを直接検証する代わりに、LORENはそれを質問応答タスクにします。 実験の結果,提案手法は他の方法よりも優れており,73.43%の発熱率を達成した。
  論文  参考訳（メタデータ） (2020-12-25T13:57:04Z)
• Natural Language Rationales with Full-Stack Visual Reasoning: From Pixels to Semantic Frames to Commonsense Graphs [106.15931418425906]
  本研究は,複数の複雑な視覚的推論課題にまたがる自然言語の有理性の生成に焦点を当てた最初の研究である。 RationaleVT Transformerは、事前学習された言語モデルとオブジェクト認識、接地された視覚的セマンティックフレーム、視覚的コモンセンスグラフを組み合わせることで、自由テキスト論理を生成することを学習する統合モデルである。 実験の結果, 基礎となる事前学習言語モデルは視覚適応の恩恵を受けており, 複雑な視覚的・テキスト的推論タスクに対するモデル解釈可能性の補完として, 自由文合理化が有望な研究方向であることを示唆した。
  論文  参考訳（メタデータ） (2020-10-15T05:08:56Z)

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。