Evidence Retrieval is almost All You Need for Fact Verification
发布时间(2024ACL)
标题:证据检索几乎是事实验证所需的全部内容
摘要
目前的事实验证方法一般遵循两阶段训练范式:证据检索和声明验证。虽然现有工作侧重于开发复杂的声明验证模块,但证据检索的根本重要性却在很大程度上被忽略了。 现有方法通常采用基于启发式语义相似性的检索策略,导致证据与任务无关且性能不佳。在本文中,我们专注于证据检索,并提出了一个检索增强验证框架 RAV,该框架由两个主要模块组成:混合证据检索和联合事实验证。混合证据检索模块包含一个高效的检索器,用于对候选证据进行初步修剪,然后是一个排序器,可生成更精确的排序结果。在这种端到端的训练范式下,声明验证的梯度可以反向传播以增强证据选择。 在 FEVER 数据集上的实验结果证明了 RAV 的优越性。
3 方法
如图 2 所示,提出的 RAV 包括两个阶段:混合证据检索和联合事实验证。给定一个主张 c 和 n 个候选证据 E = {e1, e2, . . . , en},混合证据检索选择前 q 个证据(q ≪ n),而事实验证阶段则努力对主张进行分类。
3.1 混合证据检索
检索器
排序器
联合优化
5 结论
本文深入研究了证据检索这一关键问题,提出了一种以混合证据检索为特征的联合事实验证框架。实验结果表明,将 RAV 与现有的声明验证模型相结合可以显著提高整体性能