論文の概要: MuPlon: Multi-Path Causal Optimization for Claim Verification through Controlling Confounding

• arxiv url: http://arxiv.org/abs/2509.25715v1
• Date: Tue, 30 Sep 2025 03:22:53 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-01 17:09:04.40585
• Title: MuPlon: Multi-Path Causal Optimization for Claim Verification through Controlling Confounding
• Title（参考訳）: MuPlon: コンバウンディング制御によるクレーム検証のためのマルチパス因果最適化
• Authors: Hanghui Guo, Shimin Di, Pasquale De Meo, Zhangze Chen, Jia Zhu,
• Abstract要約: クレーム検証のための新しいフレームワークであるMulti-Path Causal Optimization (MuPlon)を提案する。 MuPlonは、バックドアパスとフロントドアパスからなる2つの因果介入戦略を統合している。 実験によると、MuPlonは既存のメソッドより優れ、最先端のパフォーマンスを実現している。
• 参考スコア（独自算出の注目度）: 16.367389977442738
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: As a critical task in data quality control, claim verification aims to curb the spread of misinformation by assessing the truthfulness of claims based on a wide range of evidence. However, traditional methods often overlook the complex interactions between evidence, leading to unreliable verification results. A straightforward solution represents the claim and evidence as a fully connected graph, which we define as the Claim-Evidence Graph (C-E Graph). Nevertheless, claim verification methods based on fully connected graphs face two primary confounding challenges, Data Noise and Data Biases. To address these challenges, we propose a novel framework, Multi-Path Causal Optimization (MuPlon). MuPlon integrates a dual causal intervention strategy, consisting of the back-door path and front-door path. In the back-door path, MuPlon dilutes noisy node interference by optimizing node probability weights, while simultaneously strengthening the connections between relevant evidence nodes. In the front-door path, MuPlon extracts highly relevant subgraphs and constructs reasoning paths, further applying counterfactual reasoning to eliminate data biases within these paths. The experimental results demonstrate that MuPlon outperforms existing methods and achieves state-of-the-art performance.
• Abstract（参考訳）: データ品質管理における重要な課題として、クレーム検証は、幅広い証拠に基づいてクレームの真偽を評価することによって、誤情報の拡散を抑制することを目的としている。 しかし、従来の手法は、しばしば証拠間の複雑な相互作用を見落とし、信頼性の低い検証結果をもたらす。 簡単な解は、クレーム・エビデンスグラフ(C-Eグラフ)と定義する完全連結グラフとして、クレームとエビデンスを表す。 それでも、完全連結グラフに基づくクレーム検証手法は、データノイズとデータバイアスの2つの主要な欠点に直面している。 これらの課題に対処するため,我々はMulti-Path Causal Optimization (MuPlon) という新しいフレームワークを提案する。 MuPlonは、バックドアパスとフロントドアパスからなる2つの因果介入戦略を統合している。 バックドアパスでは、MuPlonはノード確率重み付けを最適化し、関連するエビデンスノード間の接続を同時に強化することでノイズの多いノード干渉を希釈する。 フロントドアパスでは、MuPlonは関連性の高いサブグラフを抽出し、推論パスを構築し、さらに反ファクト推論を適用してこれらのパス内のデータバイアスを排除する。 実験の結果, MuPlon は既存の手法より優れ, 最先端の性能を実現していることがわかった。

関連論文リスト

• Bridging and Modeling Correlations in Pairwise Data for Direct Preference Optimization [75.1240295759264]
  本稿では,BMC という名前のペアデータにおけるブリッジ・アンド・モデリングの効果的なフレームワークを提案する。 目的の修正によって、ペアの選好信号の一貫性と情報性が向上する。 DPOだけではこれらの相関をモデル化し、ニュアンス付き変動を捉えるには不十分である。
  論文  参考訳（メタデータ） (2024-08-14T11:29:47Z)
• Redefining the Shortest Path Problem Formulation of the Linear Non-Gaussian Acyclic Model: Pairwise Likelihood Ratios, Prior Knowledge, and Path Enumeration [1.5178009359320295]
  本稿では,LiNGAM-SPPフレームワークの3倍拡張を提案する。 パラメータチューニングの必要性は、kNNベースの相互情報の代わりに、ペアワイズ確率比を用いて排除される。 先行知識の組み入れは、すべての因果順序のグラフ表現に実装されたノードスキッピング戦略によって実現される。
  論文  参考訳（メタデータ） (2024-04-18T05:59:28Z)
• Causal Walk: Debiasing Multi-Hop Fact Verification with Front-Door Adjustment [27.455646975256986]
  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。
  論文  参考訳（メタデータ） (2024-03-05T06:28:02Z)
• Progressive Evidence Refinement for Open-domain Multimodal Retrieval Question Answering [20.59485758381809]
  現在のマルチモーダル検索質問答えモデルは2つの大きな課題に直面している。 モデルへの入力として圧縮されたエビデンスの特徴を利用すると、エビデンス内の詳細な情報が失われる。 本稿では,これらの問題を緩和するための証拠検索と質問応答のための2段階の枠組みを提案する。
  論文  参考訳（メタデータ） (2023-10-15T01:18:39Z)
• Unsupervised Visible-Infrared Person ReID by Collaborative Learning with Neighbor-Guided Label Refinement [53.044703127757295]
  教師なし学習 可視赤外人物再識別 (USL-VI-ReID) は、ラベルなしのクロスモダリティデータセットからモダリティ不変の特徴を学習することを目的としている。 本稿では,生成したラベルを1つのモダリティからそれに対応するモダリティに同時に割り当てる,Dual Optimal Transport Label Assignment (DOTLA) フレームワークを提案する。 提案したDOTLA機構は、相互強化と相互モダリティデータアソシエーションの効率的な解を定式化することにより、不十分でノイズの多いラベルアソシエーションの副作用を効果的に低減することができる。
  論文  参考訳（メタデータ） (2023-05-22T04:40:30Z)
• Causal Intervention-based Prompt Debiasing for Event Argument Extraction [19.057467535856485]
  我々は、名前ベースのプロンプトとオントロジーベースのプロンプトの2種類のプロンプトを比較し、オントロジーベースのプロンプトメソッドがゼロショットイベント引数抽出(EAE)においてそのプロンプトをいかに上回っているかを明らかにする。 2つのベンチマーク実験により,デバイアス法によって修正されたベースラインモデルは,より効果的かつ堅牢になり,対向攻撃に対する耐性が著しく向上することが示された。
  論文  参考訳（メタデータ） (2022-10-04T12:32:00Z)

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。