論文の概要: Fact in Fragments: Deconstructing Complex Claims via LLM-based Atomic Fact Extraction and Verification

• arxiv url: http://arxiv.org/abs/2506.07446v1
• Date: Mon, 09 Jun 2025 05:49:43 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-10 21:10:47.11885
• Title: Fact in Fragments: Deconstructing Complex Claims via LLM-based Atomic Fact Extraction and Verification
• Title（参考訳）: フラグメントにおけるFact: LLMに基づく原子Factの抽出と検証による複雑クレームのデコンストラクション
• Authors: Liwen Zheng, Chaozhuo Li, Zheng Liu, Feiran Huang, Haoran Jia, Zaisheng Ye, Xi Zhang,
• Abstract要約: Atomic Fact extract and Verification (AFEV) は、複雑なクレームを原子事実に反復的に分解する新しいフレームワークである。 AFEVは、精度と解釈可能性の両方において最先端のパフォーマンスを達成する。
• 参考スコア（独自算出の注目度）: 18.20994425756688
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Fact verification plays a vital role in combating misinformation by assessing the veracity of claims through evidence retrieval and reasoning. However, traditional methods struggle with complex claims requiring multi-hop reasoning over fragmented evidence, as they often rely on static decomposition strategies and surface-level semantic retrieval, which fail to capture the nuanced structure and intent of the claim. This results in accumulated reasoning errors, noisy evidence contamination, and limited adaptability to diverse claims, ultimately undermining verification accuracy in complex scenarios. To address this, we propose Atomic Fact Extraction and Verification (AFEV), a novel framework that iteratively decomposes complex claims into atomic facts, enabling fine-grained retrieval and adaptive reasoning. AFEV dynamically refines claim understanding and reduces error propagation through iterative fact extraction, reranks evidence to filter noise, and leverages context-specific demonstrations to guide the reasoning process. Extensive experiments on five benchmark datasets demonstrate that AFEV achieves state-of-the-art performance in both accuracy and interpretability.
• Abstract（参考訳）: 事実検証は、証拠の検索と推論を通じてクレームの正確性を評価することによって、誤情報と戦う上で重要な役割を担っている。 しかし、従来の手法では、断片化された証拠に対するマルチホップ推論を必要とする複雑なクレームに苦慮しており、しばしば静的分解戦略や表面レベルのセマンティック検索に頼っているため、クレームのニュアンスな構造や意図を捉えられなかった。 この結果、蓄積された推論誤差、ノイズのある証拠の汚染、様々なクレームへの適応性が制限され、最終的には複雑なシナリオにおける検証精度を損なうことになる。 これを解決するために、複雑な主張を原子事実に繰り返し分解し、きめ細かい検索と適応推論を可能にする新しいフレームワークAFEV(Atomic Fact extract and Verification)を提案する。 AFEVはクレームの理解を動的に洗練し、反復的な事実抽出を通じてエラーの伝播を減らし、証拠を再帰してノイズをフィルタし、文脈固有のデモを活用して推論プロセスを導く。 5つのベンチマークデータセットに対する大規模な実験は、AFEVが精度と解釈可能性の両方で最先端のパフォーマンスを達成することを示した。

関連論文リスト

• CLATTER: Comprehensive Entailment Reasoning for Hallucination Detection [60.98964268961243]
  我々は,系統的かつ包括的な推論プロセスを実行するためのモデルを導くことで,モデルがよりきめ細やかで正確な絞り込み決定を実行できることを提案する。 我々は,(i)クレームの分解,(ii)サブクレームの属性と包含分類,および(iii)集約分類から成る3段階の推論プロセスを定義し,そのような導出推論が実際に幻覚検出の改善をもたらすことを示す。
  論文  参考訳（メタデータ） (2025-06-05T17:02:52Z)
• SUCEA: Reasoning-Intensive Retrieval for Adversarial Fact-checking through Claim Decomposition and Editing [30.84752573088322]
  敵の主張は、人間が事実確認システムに挑戦するために意図的に設計されている。 本稿では,元来の主張を言い換える訓練のない手法を提案する。 提案手法は,検索と包含ラベルの精度を大幅に向上させ,強力なクレーム分割ベースラインを4つ備えた。
  論文  参考訳（メタデータ） (2025-06-05T02:58:15Z)
• CRAVE: A Conflicting Reasoning Approach for Explainable Claim Verification Using LLMs [15.170312674645535]
  CRAVE は、説明可能なクレーム VErification に対する Conflicting Reasoning Approach である。 大規模な言語モデルによって推論される矛盾する理性に基づいて、複雑なクレームを検証することができる。 CRAVEは最先端の手法よりもはるかに優れた性能を実現している。
  論文  参考訳（メタデータ） (2025-04-21T07:20:31Z)
• FactLens: Benchmarking Fine-Grained Fact Verification [6.814173254027381]
  我々は、複雑なクレームを個別の検証のためにより小さなサブステートに分割する、きめ細かい検証へのシフトを提唱する。 我々は,ファクトレンス(FactLens)という,ファクトレンス(FactLens)という,詳細な事実検証のベンチマークを紹介した。 この結果から,FactLens自動評価器と人的判断との整合性を示し,評価性能に対する準定値特性の影響について考察した。
  論文  参考訳（メタデータ） (2024-11-08T21:26:57Z)
• Atomic Fact Decomposition Helps Attributed Question Answering [30.75332718824254]
  Attributed Question Answering (AQA)は、質問に対する信頼できる回答と信頼できる属性レポートを提供することを目的としている。 本稿では,アトミックな事実分解に基づくRetrieval and Editingフレームワークを提案する。 生成した長文の回答を、命令調整されたLSMによって分子節と原子事実に分解する。
  論文  参考訳（メタデータ） (2024-10-22T05:25:54Z)
• TrendFact: A Benchmark for Explainable Hotspot Perception in Fact-Checking with Natural Language Explanation [10.449165630417522]
  我々は、最初のホットスポット認識事実チェックベンチマークであるTrendFactを紹介する。 TrendFactは、トレンドプラットフォームとプロのファクトチェックデータセットから得られた、7,643の慎重にキュレートされたサンプルで構成されている。 本研究では,動的エビデンス増大,エビデンス三角測量,反復的自己回帰機構を統合したFactISRを提案する。
  論文  参考訳（メタデータ） (2024-10-19T15:25:19Z)
• Contrastive Learning to Improve Retrieval for Real-world Fact Checking [84.57583869042791]
  ファクト・チェッキング・リランカ(Contrastive Fact-Checking Reranker, CFR)を提案する。 我々はAVeriTeCデータセットを活用し、証拠文書からの人間による回答とクレームのサブクエストを注釈付けする。 データセットの精度は6%向上した。
  論文  参考訳（メタデータ） (2024-10-07T00:09:50Z)
• FactCHD: Benchmarking Fact-Conflicting Hallucination Detection [64.4610684475899]
  FactCHD は LLM からファクトコンフリクトの幻覚を検出するために設計されたベンチマークである。 FactCHDは、バニラ、マルチホップ、比較、セット操作など、さまざまな事実パターンにまたがる多様なデータセットを備えている。 Llama2 に基づくツール強化 ChatGPT と LoRA-tuning による反射的考察を合成する Truth-Triangulator を提案する。
  論文  参考訳（メタデータ） (2023-10-18T16:27:49Z)
• AmbiFC: Fact-Checking Ambiguous Claims with Evidence [57.7091560922174]
  実世界の情報ニーズから10kクレームを抽出したファクトチェックデータセットであるAmbiFCを提示する。 アンビFCの証拠に対する主張を比較する際に,曖昧さから生じる不一致を分析した。 我々は,このあいまいさをソフトラベルで予測するモデルを開発した。
  論文  参考訳（メタデータ） (2021-04-01T17:40:08Z)

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。