論文の概要: TabVer: Tabular Fact Verification with Natural Logic
- arxiv url: http://arxiv.org/abs/2411.01093v1
- Date: Sat, 02 Nov 2024 00:36:34 GMT
- ステータス: 翻訳完了
- システム内更新日: 2024-11-05 14:48:09.637300
- Title: TabVer: Tabular Fact Verification with Natural Logic
- Title（参考訳）: TabVer: 自然論理を用いたタブラルファクト検証
- Authors: Rami Aly, Andreas Vlachos,
- Abstract要約: 本稿では,自然論理の文脈における数値と算術関数の集合論的解釈を提案する。
大規模言語モデルを用いて,テーブル上で関数を実行することで応答するクレームの健全な部分に関する質問を生成することにより,算術式を生成する。
FEVEROUS上の数ショット設定では、71.4の精度を達成し、完全な神経的および象徴的推論モデルの両方を3.4ポイント上回る。
- 参考スコア（独自算出の注目度）: 11.002475880349452
- License:
- Abstract: Fact verification on tabular evidence incentivises the use of symbolic reasoning models where a logical form is constructed (e.g. a LISP-style program), providing greater verifiability than fully neural approaches. However, these systems typically rely on well-formed tables, restricting their use in many scenarios. An emerging symbolic reasoning paradigm for textual evidence focuses on natural logic inference, which constructs proofs by modelling set-theoretic relations between a claim and its evidence in natural language. This approach provides flexibility and transparency but is less compatible with tabular evidence since the relations do not extend to arithmetic functions. We propose a set-theoretic interpretation of numerals and arithmetic functions in the context of natural logic, enabling the integration of arithmetic expressions in deterministic proofs. We leverage large language models to generate arithmetic expressions by generating questions about salient parts of a claim which are answered by executing appropriate functions on tables. In a few-shot setting on FEVEROUS, we achieve an accuracy of 71.4, outperforming both fully neural and symbolic reasoning models by 3.4 points. When evaluated on TabFact without any further training, our method remains competitive with an accuracy lead of 0.5 points.
- Abstract（参考訳）: 表形式の証拠に関する事実検証は、論理形式が構築された記号的推論モデル(例えばLISPスタイルのプログラム)の使用を動機付け、完全なニューラルネットワークアプローチよりも高い妥当性を提供する。
しかしながら、これらのシステムは一般的によく整ったテーブルに依存しており、多くのシナリオでの使用を制限する。
テキストエビデンスのためのシンボリック推論パラダイムは、自然言語におけるクレームとそのエビデンスの間の集合論的関係をモデル化することによって証明を構築する自然言語推論に焦点を当てている。
このアプローチは柔軟性と透明性を提供するが、関係が算術関数に拡張されないため、表のエビデンスとの互換性は低い。
本稿では,自然論理の文脈における数値と算術関数の集合論的解釈を提案し,決定論的証明における算術式の統合を可能にする。
我々は大規模言語モデルを利用して、テーブル上で適切な関数を実行することで答えるクレームの健全な部分に関する質問を生成することで、算術式を生成する。
FEVEROUS上の数ショット設定では、71.4の精度を達成し、完全な神経的および象徴的推論モデルの両方を3.4ポイント上回る。
さらに,TabFactをトレーニングせずに評価した場合,精度0.5ポイントの精度で本手法は競合する。
関連論文リスト
- LINC: A Neurosymbolic Approach for Logical Reasoning by Combining
Language Models with First-Order Logic Provers [60.009969929857704]
論理的推論は、科学、数学、社会に潜在的影響を与える可能性のある人工知能にとって重要なタスクである。
本研究では、LINCと呼ばれるモジュール型ニューロシンボリックプログラミングのようなタスクを再構成する。
我々は,FOLIOとProofWriterのバランスの取れたサブセットに対して,ほぼすべての実験条件下で,3つの異なるモデルに対して顕著な性能向上を観察した。
論文 参考訳（メタデータ） (2023-10-23T17:58:40Z) - QA-NatVer: Question Answering for Natural Logic-based Fact Verification [11.002475880349452]
我々は自然論理演算子を予測するために質問応答を用いることを提案する。
FEVERのいくつかの設定では、我々のアプローチは最高のベースラインを4.3ドルの精度で上回っている。
人間の評価から,本手法は,従来の自然論理に基づくシステムよりも,誤動作の少ない自然論理演算子でより妥当であることが示唆された。
論文 参考訳（メタデータ） (2023-10-22T06:27:31Z) - 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) - 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) - Logical Satisfiability of Counterfactuals for Faithful Explanations in
NLI [60.142926537264714]
本稿では, 忠実度スルー・カウンタファクトの方法論について紹介する。
これは、説明に表される論理述語に基づいて、反実仮説を生成する。
そして、そのモデルが表現された論理と反ファクトの予測が一致しているかどうかを評価する。
論文 参考訳（メタデータ） (2022-05-25T03:40:59Z) - Adaptive n-ary Activation Functions for Probabilistic Boolean Logic [2.294014185517203]
マッチングやアリティ向上の活性化関数を用いて,任意の論理を単一層で学習できることが示される。
我々は,非ゼロパラメータの数を信念関数の有効アリティに直接関連付ける基礎を用いて,信念表を表現する。
これにより、パラメータの間隔を誘導することで論理的複雑性を低減する最適化アプローチが開かれる。
論文 参考訳（メタデータ） (2022-03-16T22:47:53Z) - Exploring Decomposition for Table-based Fact Verification [18.584226291619217]
複雑な文を単純なサブプロブレムに分解することで事実検証を改善する。
提案手法は,TabFactベンチマークにおいて,82.7%の精度で最先端性能を実現する。
論文 参考訳（メタデータ） (2021-09-22T20:15:05Z) - A Relational Tsetlin Machine with Applications to Natural Language
Understanding [6.375447757249894]
Herbrandセマンティクスを用いた一階論理ベースのフレームワークの提案により、TMの計算能力を高めます。
結果のTMはリレーショナルであり、自然言語に現れる論理構造を利用することができる。
クローズドドメインの質問応答では、1次表現は10倍のコンパクトkbを生成し、回答精度は94.83%から99.48%に向上した。
論文 参考訳（メタデータ） (2021-02-22T12:40:37Z) - Learning as Abduction: Trainable Natural Logic Theorem Prover for
Natural Language Inference [0.4962199635155534]
自然言語の定理証明器に学習法を実装した。
SICKデータセット上の定理証明器の性能は高い精度を維持しつつも1.4%向上することを示す。
得られた結果は、論理ベースのシステム間での最先端技術と競合する。
論文 参考訳（メタデータ） (2020-10-29T19:49:17Z) - Measuring Association Between Labels and Free-Text Rationales [60.58672852655487]
解釈可能なNLPでは、説明された例に対するモデルの意思決定プロセスを反映した忠実な理性が必要です。
情報抽出型タスクに対する忠実な抽出合理化のための既存のモデルであるパイプラインは、自由テキスト合理化を必要とするタスクに確実に拡張されないことを示す。
我々は、信頼が確立されていない自由文合理化のための、広く使われている高性能モデルのクラスである、共同予測と合理化のモデルに目を向ける。
論文 参考訳（メタデータ） (2020-10-24T03:40:56Z) - Logical Neural Networks [51.46602187496816]
ニューラルネットワーク(学習)と記号論理(知識と推論)の両方の重要な特性をシームレスに提供する新しいフレームワークを提案する。
すべてのニューロンは、重み付けされた実数値論理における公式の構成要素としての意味を持ち、非常に解釈不能な非絡み合い表現をもたらす。
推論は事前に定義されたターゲット変数ではなく、オムニであり、論理的推論に対応する。
論文 参考訳（メタデータ） (2020-06-23T16:55:45Z)
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。
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。