.png){kind=icon}
返回
Type-agnostic and form-oriented deductive conclusion generation
.png){kind=icon}
PRE
AI
DOI：10.1016/j.neunet.2025.107968.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
演绎结论生成（DCG）旨在根据一组前提生成逻辑上有效的结论。现有的DCG模型采用类型依赖的方法，导致它们在缺乏推理类型标签时表现出错误传播问题，甚至无法使用。此外，它们以事实为导向的训练方法由于忽视了推理形式的重要性，未能学习到正确的推理模式。在本文中，我们提出了一种类型无关且形式导向（TaFo）的DCG模型。TaFo采用类型无关的方法来整合各种推理类型的知识，即使在没有类型标签的情况下也能实现各种类型的推理。此外，TaFo在事实推导之前学习有效的推理形式，这提高了其处理事实和反事实推导的能力。在EntailmentBank和QASC数据集上的实验结果表明，TaFo优于现有方法。此外，在处理反事实数据时，TaFo相较于现有方法实现了25%的性能提升。
Keyword:
Deductive Conclusion Generation
Type-agnostic approach
Form-oriented learning
Reasoning patterns
Counterfactual reasoning
期刊
IF:
6.3
论文数:
8.2K
被引数:
3.0W
机构
查看更多机构
引用论文
暂无论文信息