論文の概要: Causal Walk: Debiasing Multi-Hop Fact Verification with Front-Door Adjustment

• arxiv url: http://arxiv.org/abs/2403.02698v1
• Date: Tue, 5 Mar 2024 06:28:02 GMT
• ステータス: 処理完了
• システム内更新日: 2024-03-06 16:03:06.427479
• Title: Causal Walk: Debiasing Multi-Hop Fact Verification with Front-Door Adjustment
• Title（参考訳）: 因果歩行:フロントドア調整によるマルチホップファクト検証
• Authors: Congzhi Zhang, Linhai Zhang, Deyu Zhou
• Abstract要約: 因果ウォーク(Causal Walk)は、因果的視点からマルチホップ事実検証を嫌悪する新しい方法である。 その結果、Causal Walkは既存のデータセットと新しく構築されたデータセットの両方において、過去のデバイアス手法よりも優れていた。
• 参考スコア（独自算出の注目度）: 27.455646975256986
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Conventional multi-hop fact verification models are prone to rely on spurious correlations from the annotation artifacts, leading to an obvious performance decline on unbiased datasets. Among the various debiasing works, the causal inference-based methods become popular by performing theoretically guaranteed debiasing such as casual intervention or counterfactual reasoning. However, existing causal inference-based debiasing methods, which mainly formulate fact verification as a single-hop reasoning task to tackle shallow bias patterns, cannot deal with the complicated bias patterns hidden in multiple hops of evidence. To address the challenge, we propose Causal Walk, a novel method for debiasing multi-hop fact verification from a causal perspective with front-door adjustment. Specifically, in the structural causal model, the reasoning path between the treatment (the input claim-evidence graph) and the outcome (the veracity label) is introduced as the mediator to block the confounder. With the front-door adjustment, the causal effect between the treatment and the outcome is decomposed into the causal effect between the treatment and the mediator, which is estimated by applying the idea of random walk, and the causal effect between the mediator and the outcome, which is estimated with normalized weighted geometric mean approximation. To investigate the effectiveness of the proposed method, an adversarial multi-hop fact verification dataset and a symmetric multi-hop fact verification dataset are proposed with the help of the large language model. Experimental results show that Causal Walk outperforms some previous debiasing methods on both existing datasets and the newly constructed datasets. Code and data will be released at https://github.com/zcccccz/CausalWalk.
• Abstract（参考訳）: 従来のマルチホップ事実検証モデルは、アノテーションアーティファクトからの急激な相関に依存しやすいため、バイアスのないデータセットのパフォーマンスが明らかに低下する。 様々なデバイアス作品の中で、因果推論に基づく手法は、カジュアルな介入や偽りの推論といった理論的に保証されたデバイアスを行うことで普及した。 しかし、既存の因果推論に基づくデバイアス法は、主に、浅いバイアスパターンに対処する単一ホップ推論タスクとして事実検証を定式化するが、複数の証拠ホップに隠された複雑なバイアスパターンには対処できない。 この課題に対処するために,正面調整による因果的視点からマルチホップ事実検証を行う新しい手法であるCausal Walkを提案する。 具体的には、構造因果モデルにおいて、処理(入力クレームエビデンスグラフ)と結果(正確性ラベル)の間の推論経路を、共同創設者をブロックするメディエータとして導入する。 フロントドア調整により、治療と結果との因果効果は、ランダムウォークの考えを適用して推定される治療と仲介者の間の因果効果と、正規化重み付け幾何学平均近似により推定される仲介者と結果との間の因果効果とに分解される。 提案手法の有効性を検討するために, 大規模言語モデルの助けを借りて, 逆マルチホップ事実検証データセットと対称マルチホップ事実検証データセットを提案する。 実験の結果、因果ウォークは既存のデータセットと新しく構築されたデータセットの両方において、いくつかの以前のデバイアスメソッドよりも優れていた。 コードとデータはhttps://github.com/zcccccz/causalwalkでリリースされる。

関連論文リスト

• Looking at Model Debiasing through the Lens of Anomaly Detection [11.113718994341733]
  ディープニューラルネットワークはデータのバイアスに敏感である。 本稿では,異常検出に基づく新しいバイアス同定手法を提案する。 合成および実際のベンチマークデータセット上で、最先端のパフォーマンスに到達する。
  論文  参考訳（メタデータ） (2024-07-24T17:30:21Z)
• DINER: Debiasing Aspect-based Sentiment Analysis with Multi-variable Causal Inference [21.929902181609936]
  本稿では,多変量因果推論に基づく新しいフレームワークを提案する。 レビューブランチでは、バイアスはコンテキストからの間接的なコンバウンドとしてモデル化される。 アスペクトブランチでは、バイアスはラベルとの直接的な相関として記述される。
  論文  参考訳（メタデータ） (2024-03-02T10:38:31Z)
• Federated Causal Discovery from Heterogeneous Data [70.31070224690399]
  任意の因果モデルと異種データに対応する新しいFCD法を提案する。 これらのアプローチには、データのプライバシを保護するために、生データのプロキシとして要約統計を構築することが含まれる。 提案手法の有効性を示すために, 合成および実データを用いた広範囲な実験を行った。
  論文  参考訳（メタデータ） (2024-02-20T18:53:53Z)
• Advancing Counterfactual Inference through Nonlinear Quantile Regression [77.28323341329461]
  ニューラルネットワークで実装された効率的かつ効果的な対実的推論のためのフレームワークを提案する。 提案手法は、推定された反事実結果から見つからないデータまでを一般化する能力を高める。 複数のデータセットで実施した実証実験の結果は、我々の理論的な主張に対する説得力のある支持を提供する。
  論文  参考訳（メタデータ） (2023-06-09T08:30:51Z)
• Delving into Identify-Emphasize Paradigm for Combating Unknown Bias [52.76758938921129]
  同定精度を高めるため,有効バイアス強調スコアリング法(ECS)を提案する。 また, マイニングされたバイアスアライメントとバイアスコンプリケート試料のコントリビューションのバランスをとるために, 勾配アライメント(GA)を提案する。 様々な環境で複数のデータセットで実験を行い、提案されたソリューションが未知のバイアスの影響を軽減することを実証した。
  論文  参考訳（メタデータ） (2023-02-22T14:50:24Z)
• Disentangled Representation for Causal Mediation Analysis [25.114619307838602]
  因果媒介分析(英: Causal mediation analysis)は、直接的および間接的な効果を明らかにするためにしばしば用いられる方法である。 深層学習はメディエーション分析において有望であるが、現在の手法では、治療、メディエーター、結果に同時に影響を及ぼす潜在的共同創設者のみを前提としている。 そこで本研究では,助成金の表現を3つのタイプに分けて,自然的直接効果,自然間接効果,および全効果を正確に推定する,ディスタングル・メディエーション分析変分自動エンコーダ(DMAVAE)を提案する。
  論文  参考訳（メタデータ） (2023-02-19T23:37:17Z)
• Towards Disentangling Relevance and Bias in Unbiased Learning to Rank [40.604145263955765]
  Unbiased Learning to rank (ULTR) は、クリックのような暗黙のユーザーフィードバックデータから様々なバイアスを緩和する問題を研究している。 本稿では, 負の反響効果を緩和する3つの方法を提案する。
  論文  参考訳（メタデータ） (2022-12-28T16:29:52Z)
• Valid Inference After Causal Discovery [73.87055989355737]
  我々は、因果関係発見後の推論に有効なツールを開発する。 因果発見とその後の推論アルゴリズムの組み合わせは,高度に膨らんだ誤発見率をもたらすことを示す。
  論文  参考訳（メタデータ） (2022-08-11T17:40:45Z)
• Information-Theoretic Bias Reduction via Causal View of Spurious Correlation [71.9123886505321]
  本稿では,スプリアス相関の因果的解釈による情報理論バイアス測定手法を提案する。 本稿では,バイアス正規化損失を含むアルゴリズムバイアスに対する新しいデバイアスフレームワークを提案する。 提案したバイアス測定とデバイアス法は、多様な現実シナリオで検証される。
  論文  参考訳（メタデータ） (2022-01-10T01:19:31Z)
• Causal Expectation-Maximisation [70.45873402967297]
  ポリツリーグラフを特徴とするモデルにおいても因果推論はNPハードであることを示す。 我々は因果EMアルゴリズムを導入し、分類的表現変数のデータから潜伏変数の不確かさを再構築する。 我々は、反事実境界が構造方程式の知識なしにしばしば計算できるというトレンドのアイデアには、目立たずの制限があるように思える。
  論文  参考訳（メタデータ） (2020-11-04T10:25:13Z)

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。