English(EN) EVADE: LLM-Based Explanation Generation and Validation for Error Detection in NLI

LLM改进NLI数据集错误检测和模型微调

作者 PulseAugur 编辑部 · [1 个来源] · 2026-05-29 04:00

一个名为EVADE的新框架使用大型语言模型（LLM）为自然语言推断（NLI）数据集中的错误检测生成和验证解释。该方法旨在降低传统两轮人工标注方法的成本和精力。实验表明，LLM验证的错误移除比人工识别的错误移除更能有效地提高NLI模型的微调性能，这表明LLM可以提高数据集的质量和可扩展性。 AI

影响 LLM驱动的错误检测可以显著提高NLP模型训练数据的质量并降低成本。

排序理由该集群描述了一篇新研究论文，该论文提出了一种使用LLM在NLP数据集中进行错误检测的新颖框架。[lever_c_demoted from research: ic=1 ai=1.0]

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

报道来源 [1]

arXiv cs.CL TIER_1 English(EN) · Longfei Zuo, Barbara Plank, Siyao Peng · 2026-05-29 04:00

EVADE: LLM-Based Explanation Generation and Validation for Error Detection in NLI

arXiv:2511.08949v2 Announce Type: replace Abstract: High-quality datasets are critical for training and evaluating reliable NLP models. In tasks like natural language inference (NLI), human label variation (HLV) arises when multiple labels are valid for the same instance, making …