@进行中{wadden-etal-2022-multivers,title=“{M}ulti{V}er{S}:在监管薄弱和文档完整的情况下改进科学索赔验证”,author=“Wadden、David和Lo、Kyle和Wang、Lucy Lu和Cohan、Arman和贝尔塔基、伊茨和Hajishirzi,Hannaneh“,editor=“Carpuat、Marine和德马内夫、玛丽·凯瑟琳和Meza Ruiz,Ivan Vladimir“,booktitle=“计算语言学协会的发现:NAACL 2022”,月=七月,年=“2022”,address=“美国西雅图”,publisher=“计算语言学协会”,url=“https://aclantology.org/2022.findings-naacl.6”,doi=“10.18653/v1/2022.findings-naacl.6”,pages=“61--76”,abstract=“科学索赔验证任务要求NLP系统标记支持或反驳输入索赔的科学文件,并选择证据句子(或理由)证明每个预测标签的合理性。在这项工作中,我们展示了MultiVerS,它预测了一个事实检查标签,并基于声明的共享编码和完整文档上下文,以多任务的方式识别基本原理。这种方法实现了两个关键的建模目标。首先,它确保所有相关的上下文信息都被纳入到每个标签决策中。其次,它使模型能够从使用文档级事实检查标签注释的实例中学习,但缺乏句子级的理由。这使得MultiVerS能够通过对使用高精度启发式标记的科学文档进行训练来执行弱监督的域适应。在三个科学索赔验证数据集上,我们的方法优于两个具有竞争力的基线,在零/少快照域自适应实验中表现尤为突出。我们的代码和数据可从\url{https://github.com/dwadden/multivers}获得。",}
<?xml version=“1.0”encoding=“UTF-8”?><modsCollection xmlns=“网址:http://www.loc.gov/mods/v3"><mods ID=“wadden-etal-2022-multivers”><标题信息><title>MultiVerS:在监管薄弱和文档完整的情况下改进科学索赔验证</titleInfo><name type=“personal”>大卫瓦登<角色>作者</角色></name><name type=“personal”>凯尔<namePart type=“family”>Lo</namePart><角色>作者</角色></name><name type=“personal”>露西Lu王<namePart type=“family”><角色>作者</角色></name><name type=“personal”><namePart type=“given”>阿曼</namePart>科汉<角色>作者</角色></name><name type=“personal”>Iz</namePart>贝尔塔基<角色>作者</角色></name><name type=“personal”>汉娜娜哈吉什尔齐<角色>作者</角色></name><originInfo>2022-07发布日期</originInfo><typeOfResource>文本<relatedItem type=“主机”><标题信息>计算语言学协会的发现:NAACL 2022</titleInfo><name type=“personal”><namePart type=“given”>海洋</namePart>卡普阿特<角色>编辑器</角色></name><name type=“personal”>玛丽·凯瑟琳<namePart type=“family”>de Marneffe</namePart><角色>编辑器</角色></name><name type=“personal”>伊凡弗拉基米尔梅扎·鲁伊斯<角色>编辑器</角色></name><originInfo>计算语言学协会<位置>美国西雅图</place></originInfo>会议出版物</relatedItem>科学索赔验证任务要求NLP系统标记支持或反驳输入索赔的科学文件,并选择证明每个预测标签合理的证据句子(或理由)。在这项工作中,我们展示了MultiVerS,它预测了一个事实检查标签,并基于声明的共享编码和完整文档上下文,以多任务的方式识别基本原理。这种方法实现了两个关键的建模目标。首先,它确保所有相关的上下文信息都被纳入到每个标签决策中。其次,它使模型能够从使用文档级事实检查标签注释的实例中学习,但缺乏句子级的理由。这使得MultiVerS能够通过对使用高精度启发式标记的科学文档进行训练来执行弱监督的域适应。在三个科学索赔验证数据集上,我们的方法优于两个具有竞争力的基线,在零/少快照域自适应实验中表现尤为突出。我们的代码和数据可在https://github.com/dwadden/multivers。</摘要>韦登-塔尔-2022-multivers10.18653/v1/2022.findings-naacl.6<位置><网址>https://aclcollectory.org/2022。调查结果naacl.6</url></位置><部分>2022-07年<扩展单元=“page”><开始>61<end>76</范围></部分></mods></modsCollection>
%0会议记录%T MultiVerS:在监管薄弱和文档完整的情况下改进科学索赔验证%大卫·A·沃登%A Lo,凯尔%A Wang、Lucy Lu%阿曼·A·科汉%贝尔塔基,伊茨%哈吉什尔齐,汉纳%Y Carpuat,海军%Y de Marneffe,玛丽·凯瑟琳%Y Meza Ruiz,伊万·弗拉基米尔%计算语言学协会的研究结果:NAACL 2022%D 2022年%7月8日%计算语言学协会%C西雅图,美国%F wadden-etal-2022-multivers公司%X科学索赔验证任务要求NLP系统标记支持或拒绝输入索赔的科学文件,并选择证明每个预测标签合理性的证据句子(或理由)。在这项工作中,我们展示了MultiVerS,它预测了一个事实检查标签,并基于声明的共享编码和完整文档上下文,以多任务的方式识别基本原理。这种方法实现了两个关键的建模目标。首先,它确保所有相关的上下文信息都被纳入到每个标签决策中。其次,它使模型能够从使用文档级事实检查标签注释的实例中学习,但缺乏句子级的理由。这允许MultiVerS通过对使用高精度启发式标记的科学文档进行训练来执行弱监督领域自适应。在三个科学索赔验证数据集上,我们的方法优于两个具有竞争力的基线,在零/少快照域自适应实验中表现尤为突出。我们的代码和数据可在https://github.com/dwadden/multivers。%R 10.18653/v1/2022。结果-naacl.6%U型https://aclantology.org/2022.findings-naacl.6%U型https://doi.org/10.18653/v1/2022.findings-naacl.6%电话61-76
降价(非正式)
[MultiVerS:在监管薄弱和文档完整的情况下改进科学索赔验证](https://aclantology.org/2022.findings-naacl.6)(Wadden等人,《2022年调查结果》)
国际计算语言学协会
- David Wadden、Kyle Lo、Lucy Lu Wang、Arman Cohan、Iz Beltagy和Hannaneh Hajishirzi。2022.MultiVerS:在监管薄弱和文档完整的情况下改进科学索赔验证.英寸计算语言学协会的研究结果:NAACL 2022,第61-76页,美国西雅图。计算语言学协会。