English(EN) Can We Do Interpretable NLI with Graphs Based on Atomic Propositions?

基于原子命题的图谱实现了可解释的自然语言推断

作者 PulseAugur 编辑部 · [1 个来源] · 2026-09-16 04:00

研究人员开发了一种新颖的自然语言推断（NLI）方法，该方法通过使用源自原子命题的基于图谱的表示来优先考虑可解释性。该方法将句子分解为ConceptNet三元组，为每对句子形成三个图谱，然后由经过微调的语言模型进行处理。虽然这种基于图谱的流程在SNLI数据集上取得了有竞争力的准确性，但在ANLI数据集上表现出明显的性能差距，作者将其归因于表示限制而非数据限制。结合图谱和文本模态被证明是有益的，在SNLI上提高了准确性。 AI

影响引入了一种新颖、可解释的NLI方法，可能会影响未来的模型开发和评估。

排序理由研究论文，详细介绍了自然语言推断的一种新颖方法。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.AI 阅读 →

AI 生成摘要 · Google Gemini · 来自 1 个来源。我们如何撰写摘要 →

本文如何被排名

Signal score: 15 / 100; Composite score across the factors below. Higher = stronger signal that this story matters right now.
Newsworthiness bucket: Tool; 研究论文，详细介绍了自然语言推断的一种新颖方法。[lever_c_demoted from research: ic=1 ai=1.0]
Source corroboration: Single-source cluster; Only one publisher covered this so far. Single-source stories can still rank when the publisher is high-authority, but they lack cross-source corroboration.
Topics: paper, model release; Editorial topic classification. Feeds into how the story surfaces on /topic/<slug> hub pages and into the per-entity coverage mix.
AI-industry relevance: High; Clearly on-topic for AI-industry coverage.
Story freshness: Breaking (< 6h); Fresh story with cross-source coverage still developing. Ranking may shift as more sources report.

完整方法见我们的编辑标准。

报道来源 [1]

arXiv cs.AI TIER_1 English(EN) · Younes Boufouss (LISN), Luc Pommeret (LISN, CNRS), Thomas Gerald (LISN), Patrick Paroubek (LISN, CNRS), Sophie Rosset (LISN, CNRS) · 2026-09-16 04:00

基于原子命题的图谱能否实现可解释的自然语言理解？

arXiv:2609.16814v1 Announce Type: new Abstract: While Large Language Model (LLM)-based Natural Language Inference (NLI) systems achieve high accuracy, their decision-making processes lack auditable structures. This paper explores whether NLI can be performed using only interpreta…

本文如何被排名

报道来源 [1]

基于原子命题的图谱能否实现可解释的自然语言理解？

相关实体

相关话题