Core Concepts
イベントの時間的関係を特定する際に、実際の時間的関係とモデルが学習した事前知識や偏見との間に矛盾が生じる問題を診断し、緩和する。
Abstract
本論文は、イベントの時間的推論における知識の矛盾問題を研究している。
まず、4つの種類の偏見(関係の事前バイアス、テンス・バイアス、ナラティブ・バイアス、依存関係バイアス)を定義し、これらの偏見に反する事例を知識の矛盾事例として特定する。
次に、これらの知識の矛盾を緩和するために、Counterfactual Data Augmentation (CDA)と呼ばれる手法を提案する。CDAsは、事前学習言語モデル(PLM)の fine-tuning時や、大規模言語モデル(LLM)のIn-Context Learningに適用できる。
実験の結果、PLMとLLMの両方がイベントの時間的推論において知識の矛盾に悩まされていることが示された。また、提案のCDA手法は、知識の矛盾を緩和し、全体的なパフォーマンスを向上させることができることが確認された。
Stats
見る(see)の前に病気(sick)になる事例は3件
見る(see)の後に病気(sick)になる事例は8件