跳到主要内容
检索

Younes Boufouss

1 篇关联报道

订阅更新
  1. 基于原子命题图的自然语言推理:可解释性的代价有多大?

    该研究构建了一条完全基于图的自然语言推理流水线:把前提与假设分解为原子命题,经受限解码转成 ConceptNet 三元组,再连同检索到的 ConceptNet 子图序列化后送入微调的 Qwen3.5-0.8B-Base 分类器,分类阶段完全不接触原始文本;在 SNLI 上达到 89.7% 准确率,仅比同骨干的文本模型低 1.9 个百分点,在 ANLI 上 R2、R3 与已发表的 RoBERTa-large 相当(48.0% 对 48.9%、44.9% 对 44.4%),但 R1 落后 16 个百分点,整体比文本对照低 9 至 14 个百分点,作者称之为“可解释性的代价”,并通过消融与数据扩展实验表明该差距来自表示能力而非数据不足。

已读完全部报道