Simultaneous Face Hallucination and Translation for Thermal to Visible Face Verification using Axial-GAN
Johns Hopkins University(约翰斯·霍普金斯大学);DEVCOM Army Research Laboratory(美国陆军作战能力发展司令部陆军研究实验室)
现有的热-可见人脸验证方法期望热和可见人脸图像具有相似的分辨率。这在现实世界的远程监控系统中是不可能的,因为人类离摄像头很远。为了解决这个问题,我们介绍了从低分辨率热图像的热可见人脸验证的任务。此外,我们提出了轴向生成对抗网络(Axial-GAN)来合成高分辨率的可见光图像进行匹配。在所提出的方法中,我们增加了GAN框架的轴向注意层,利用Transformers的最新进展,为远程依赖关系建模。我们证明了所提出的方法的有效性,通过评估两个不同的热可见人脸数据集。与相关的最先进的作品相比,我们的结果显示,在图像质量和人脸验证性能显着改善,也更有效。
2021-08-07 cs.CV cs.LG
Step-by-Step Fact Verification System for Medical Claims with Explainable Reasoning
Technical University of Munich(慕尼黑工业大学);School of Computation, Information and Technology(计算、信息与技术学院)
针对医疗领域事实验证缺乏探索的问题,本研究将基于LLM的迭代式逐步验证系统应用于三个医疗数据集,通过多设置评估证明其性能优于传统方法,为领域专用验证提供新思路。
2025-02-20 cs.AI cs.CL
Active PETs: Active Data Annotation Prioritisation for Few-Shot Claim Verification with Pattern Exploiting Training
Queen Mary University of London(伦敦玛丽女王大学)
为了减轻标签数据的稀缺性对事实核查系统的影响,我们专注于Few-Shot索赔验证。尽管最近通过提出先进的语言模型对Few-Shot分类进行了研究,但缺乏对数据注释优先级的研究,以提高对要标记的少数镜头的选择以获得最佳模型性能。我们提出了主动PET,一种新的加权方法,利用各种语言模型的基础上的模式开发训练(PET)模型的合奏,积极选择未标记的数据作为候选人的注释。使用主动PET进行Few-Shot数据选择,在两个技术事实检查数据集上使用六种不同的预训练语言模型,显示出与基线方法相比的一致改进。我们展示了Active PETs-o的进一步改进,它进一步集成了过采样策略。我们的方法可以有效地选择要标记的实例,其中未标记的数据丰富,但标记的资源有限,从而不断提高Few-Shot声明验证性能。我们的代码可用。
2022-10-11 cs.AI cs.CL
FinDVer: Explainable Claim Verification over Long and Hybrid-Content Financial Documents
Yale(耶鲁大学)
本文提出FinDVer基准,含2,400个专家标注样本,评估LLMs在长篇幅金融文档中的可解释声明验证,发现GPT-4o仍逊于人类专家,并提供深入分析以推动未来进展。
2024-11-08 cs.CL cs.LG
ClaimPKG: Enhancing Claim Verification via Pseudo-Subgraph Generation with Lightweight Specialized LLM
Viettel Artificial Intelligence and Data Services Center(越南 Viettel 人工智能与数据服务中心)
提出ClaimPKG框架,通过轻量级专用LLM生成伪子图引导KG子图检索,结合通用LLM生成裁决,在FactKG上实现SOTA并具备零样本泛化能力。
2025-05-28 cs.AI cs.CL cs.DB
Navigating the Noisy Crowd: Finding Key Information for Claim Verification
School of Artificial Intelligence, University of Chinese Academy of Sciences(中国科学院大学人工智能学院)
针对事实验证中证据与声明嘈杂的问题,提出EACon框架,通过关键词提取与模糊匹配抽象证据,并解构声明为子声明分别验证,显著提升LLM性能。
2024-07-17 cs.CL
DS@GT ARC at CheckThat! 2026: LLM-Based Trace Ranking and Grouped Reward Modeling for Multilingual Numerical Claim Verification
Georgia Institute of Technology(佐治亚理工学院)
针对多语言数值声明验证,探索基于大语言模型(LLM)的推理轨迹排序和分组奖励建模两种方法。LLM方法用LoRA微调验证器评分,还尝试子声明分解;奖励模型用TF-IDF及特征评分。结果显示LLM方法多数指标更优,阿拉伯语中AraBERT表现更佳且子声明分解未提升性能。
2026-07-29 cs.AI cs.CL
SCITAB: A Challenging Benchmark for Compositional Reasoning and Claim Verification on Scientific Tables
National University of Singapore(新加坡国立大学);University of California, Santa Barbara(加州大学圣巴巴拉分校);Sea AI Lab(Sea人工智能实验室);MBZUAI(穆罕默德·本·扎耶德人工智能大学)
针对现有科学事实核查基准的偏差和过度依赖文本证据的问题,提出包含1.2K条专家验证声明的SCITAB基准,要求基于科学表格进行组合推理验证,实验表明现有先进模型在该任务上面临重大挑战。
2023-10-23 cs.AI cs.CL
BERT for Evidence Retrieval and Claim Verification
Informatics Institute(信息学研究所);University of Amsterdam(阿姆斯特丹大学)
受预训练语言模型的良好性能的启发,我们研究了BERT在证据检索和索赔验证管道中的FEVER事实提取和验证挑战。为此,我们建议使用两个BERT模型,一个用于检索支持或拒绝索赔的潜在证据句子,另一个用于根据预测的证据集验证索赔。为了对BERT检索系统进行训练,我们使用逐点和成对的损失函数,并检验了硬负挖掘的效果。第二个BERT模型被训练来将样本分类为支持的、反驳的和信息不足的。我们的系统实现了一个新的国家的最先进的召回87.1检索前五个句子的FEVER文件组成的50K维基百科的页面,并得分第二,在官方排行榜与FEVER得分69.7。
2019-10-07 cs.CL
Evergreen: Efficient Claim Verification for Semantic Aggregates
Brown University(布朗大学);Snowflake Inc.(Snowflake公司)
Evergreen将声明验证转化为语义查询处理任务,通过定制优化和溯源捕获,减少LLM调用成本和延迟,提升验证质量与效率。
2026-07-03 cs.AI cs.CL cs.DB
Verify-in-the-Graph: Entity Disambiguation Enhancement for Complex Claim Verification with Interactive Graph Representation
Viettel Artificial Intelligence and Data Services Center(越南 Viettel 人工智能与数据服务中心);Viettel Group(越南 Viettel 集团)
提出 VeGraph 框架,利用 LLM 智能体通过图表示、实体消歧和验证三阶段解决复杂声明验证中的实体模糊问题,在 HoVer 和 FEVEROUS 基准上表现优异。
2025-05-29 cs.AI cs.CL cs.DB
MArgE: Meshing Argumentative Evidence from Multiple Large Language Models for Justifiable Claim Verification
MArgE框架通过为多个大语言模型的证据构建形式化论证树,实现可辩护的声明验证,实验证明其性能优于单个模型及非结构化多模型辩论方法。
2025-08-04 cs.AI cs.CL
Contradiction to Consensus: Dual Perspective, Multi Source Retrieval Based Claim Verification with Source Level Disagreement using LLM
George Mason University(乔治·梅奥大学)
本研究提出基于双视角多源检索和跨源分歧分析的声明验证系统,利用LLM提升验证准确性并揭示来源差异。
2026-02-21 cs.CL
ClaimDB: A Fact Verification Benchmark over Large Structured Data
University of Washington(华盛顿大学)
本文提出ClaimDB基准,通过百万级记录和多表组合验证事实,发现传统阅读方法失效,需转向可执行程序推理,实验显示超过一半模型准确率低于55%。
2026-04-11 cs.CL
Minimal Evidence Group Identification for Claim Verification
University of Texas at Dallas(德克萨斯大学达拉斯分校);University of Pennsylvania(宾夕法尼亚大学);Google Research(谷歌研究)
本文针对真实场景声明验证中多组证据可多角度验证的挑战,定义最小证据组识别问题,将其归约为集合覆盖问题,所提方法在两个数据集上较LLM提示取得显著提升,并验证了其下游应用价值。
2024-04-24 cs.CL
Veri-R1: Toward Precise and Faithful Claim Verification via Online Reinforcement Learning
University of Illinois Urbana-Champaign(伊利诺伊大学厄巴纳-香槟分校);Fudan University(复旦大学);Tsinghua University(清华大学);Hong Kong University of Science and Technology(香港科学与技术大学)
针对现有在线声明验证方法依赖提示工程、缺乏统一技能训练的问题,提出基于在线强化学习的Veri-R1框架,通过LLM与搜索引擎交互及奖励信号优化验证行为,显著提升准确率与证据得分,性能优于更大规模模型。
2025-10-04 cs.CL
CRAVE: A Conflicting Reasoning Approach for Explainable Claim Verification Using LLMs
School of Computer Science, Shanghai Jiao Tong University, Shanghai, China(上海交通大学计算机科学学院);Shanghai KEY Laboratory of Integrated Administration Technologies for Information Security, Shanghai, China(上海信息安全集成管理技术重点实验室);School of Politics, National Defense University, Shanghai, China(国防大学政治学院)
针对复杂声明验证,提出CRAVE框架,利用LLM推理冲突理由,结合SLM法官模块,提高准确性和可解释性,实验优于现有方法。
2025-04-21 cs.CL
AtomEval: Validity-Aware Atomic Evaluation of Adversarial Claim Rewriting in Fact Verification
Zhejiang University(浙江大学);The Hong Kong University of Science and Technology (Guangzhou)(香港科技大学(广州))
提出AtomEval协议,通过原子分解和保留门控,区分有效规避验证与改变命题的重写,并引入VASR指标,解决传统ASR膨胀问题。
2026-05-30 cs.AI cs.CL
A Multi-Agent Approach for Claim Verification from Tabular Data Documents
University of British Columbia(不列颠哥伦比亚大学)
本文提出多智能体框架MACE,通过规划器、执行器和验证器三个智能体,实现可解释的表格数据验证,实验显示其在多个数据集上达到SOTA性能,且在参数较少时仍表现优异。
2026-04-19 cs.CL
Debating Truth: Debate-driven Claim Verification with Multiple Large Language Model Agents
Department of Interactive Media, Hong Kong Baptist University(香港浸会大学互动媒体系);School of Computing and Data Science, The University of Hong Kong(香港大学计算与数据科学学院);College of Computer Science and Artificial Intelligence, Fudan University(复旦大学计算机科学与人工智能学院);Beijing Normal-Hong Kong Baptist University(北京师范大学-香港浸会大学联合国际学院);Shenzhen Institute of Advanced Technology(深圳先进技术研究院)
本文提出DebateCV框架,通过多代理辩论和调解提升复杂声明验证的准确性与说服力。
2026-04-03 cs.CL
SciClaimEval: Cross-modal Claim Verification in Scientific Papers
SciClaimEval是一个包含真实科学声明和跨模态证据的数据集,用于验证科学论文中的声明,通过专家标注和多模态模型测试,揭示了基于图表验证的挑战。
2026-02-13 cs.CL
Unsupervised Pretraining for Fact Verification by Language Model Distillation
University of Cambridge(剑桥大学)
针对事实验证的语义对齐依赖标注数据的问题,提出无监督预训练框架SFAVEL,通过新型对比损失实现高质量主张-证据对齐,在FB15k-237和FEVER数据集上取得SOTA结果。
2024-03-06 cs.CL cs.LG stat.ML
Assessing the Reasoning Capabilities of LLMs in the context of Evidence-based Claim Verification
University of Warwick(沃里克大学);Queen Mary University of London(伦敦大学女王学院);University of Bologna(博洛尼亚大学);King’s College London(伦敦大学国王学院);The Alan Turing Institute(艾伦·图灵研究所)
该研究从主张验证视角探究LLMs的推理能力,提出拆解原子推理类型的框架,构建含真实主张的RECV基准评估发现,LLMs擅长演绎推理但溯因推理表现差,推理思路增强并非总有效,生成思路与人类思路语义相似。
2025-06-17 cs.CL
Piecing It All Together: Verifying Multi-Hop Multimodal Claims
Illinois Institute of Technology(伊利诺伊理工学院);Emory University(埃默里大学)
针对现有声明验证数据集缺乏复杂推理与多模态证据解读要求的问题,研究者提出多跳多模态声明验证任务,构建含1.5万条样本的MMCV数据集,发现前沿模型在该任务上表现不佳,并建立人类性能基准以推动相关研究。
2024-12-12 cs.AI cs.CL
EAVer: Long-Form Factuality Verification as an End-to-End Agentic Policy
University of Illinois Chicago(伊利诺伊大学芝加哥分校);Taobao & Tmall Group(淘宝天猫集团);Shandong University(山东大学);Peking University(北京大学);The Hong Kong University of Science and Technology (Guangzhou)(香港科技大学(广州))
EAVer提出端到端智能体策略,统一管理长文本事实性验证流程,通过声明分组、置信度路由和上下文证据复用,显著减少搜索次数并提升验证性能,且跨模型规模泛化良好。
2026-09-22 cs.CL cs.LG
SynClaimEval: A Framework for Evaluating the Utility of Synthetic Data in Long-Context Claim Verification
University of Pittsburgh(匹兹堡大学);Zillow Inc.(Zillow公司)
该研究针对长上下文主张验证中合成数据效用评估的需求,提出SynClaimEval框架,从输入特征、合成逻辑和解释质量三方面评估,实验证明其能提升模型验证性能和解释质量,为相关任务提供可扩展数据方案。
2025-11-12 cs.CL
Towards LLM-based Fact Verification on News Claims with a Hierarchical Step-by-Step Prompting Method
School of Computing and Information Systems(计算与信息系统学院);Singapore Management University(新加坡管理大学)
本文研究LLM在新闻声明事实验证中的应用,提出分层逐步HiSS提示方法,通过拆分声明并多步问答验证,在两个数据集上超过全监督SOTA与少样本ICL基线。
2023-09-30 cs.CL
Argumentative Large Language Models for Explainable and Contestable Claim Verification
Department of Computing, Imperial College London, UK(伦敦帝国学院计算机系)
本文提出论证大型语言模型(ArgLLMs),通过引入论证推理增强LLMs,使其决策可解释且可争议,通过实验验证其在主张验证任务中的性能。
2025-04-18 cs.AI cs.CL
FIRE: Fact-checking with Iterative Retrieval and Verification
MBZUAI;The University of Melbourne(墨尔本大学)
提出FIRE智能体框架,通过迭代检索与验证,依据置信度决定是否弃权(不执行)或生成搜索查询,在略优性能下大幅降低LLM和搜索成本。
2025-02-12 cs.AI cs.CL cs.IR
Proof-Carrying Numbers (PCN): A Protocol for Trustworthy Numeric Answers from LLMs via Claim Verification
The World Bank(世界银行)
针对LLM数值幻觉问题,提出Proof-Carrying Numbers协议,通过渲染器机械验证数值声明,确保只有经证明的数字被标记为可信,实现故障关闭的保真保证。
2025-09-08 cs.CL cs.CR cs.DB
Pelican: Correcting Hallucination in Vision-LLMs via Claim Decomposition and Program of Thought Verification
SRI International(SRI国际(斯坦福研究院))
针对大型视觉语言模型的视觉指令遵循幻觉问题,提出Pelican框架,通过主张分解、思维程序提示结合外部工具验证,有效降低多基准下的幻觉率。
2024-10-29 cs.CL
SciVer: Evaluating Foundation Models for Multimodal Scientific Claim Verification
Yale NLP Lab(耶鲁大学自然语言处理实验室)
本文提出首个多模态科学声明验证基准SciVer,含3,000个专家标注示例,评估21个多模态基础模型,发现其与人类专家差距显著,并识别开源模型关键局限。
2025-06-18 cs.CL
Do Methods Support the Claims? Intra-Paper Verification for Peer Review
该研究针对现有 LLM 评审系统忽视论文内部主张与方法学证据不匹配的问题,提出 intra-paper claim verification 框架,经实验验证其生成的评审意见与人类评审关注点高度契合。
2026-07-30 cs.AI cs.CL cs.DL
The GAN is dead; long live the GAN! A Modern GAN Baseline
Brown University(布朗大学);Cornell University(康奈尔大学)
本文提出具有局部收敛保证的正则化相对 GAN 损失,去除经验技巧并现代化 StyleGAN2,构建极简基线 R3GAN,在多个数据集上超越 StyleGAN2 并媲美先进 GAN 与扩散模型。
2025-01-09 cs.CV cs.LG
Atomic Reasoning for Scientific Table Claim Verification
University of Illinois Urbana-Champaign(伊利诺伊大学厄巴纳-香槟分校);Stevens Institute of Technology(史蒂文斯理工学院);MBZUAI
针对科学表格声明验证中的细粒度推理难题,提出可动态组合原子技能的技能链方法,并构建 SciAtomicBench,仅用350个微调样本即超过 GPT-4o 思维链。
2025-06-08 cs.CL
When Retrieval Helps and Distracts: Evaluating Evidence-Generating LLMs for Biomedical Claim Verification
Queen’s University Belfast(贝尔法斯特女王大学);University of Texas at Austin(德克萨斯大学奥斯汀分校)
该研究针对生物医学声明验证,在CARE-XAI基准上对比多种模型,发现微调大型语言模型生成证据能力最强,PubMed检索效果因来源而异,还提出Bio-GRACE工具评估检索效用,推动选择性检索发展。
2026-08-27 cs.CL
A Graph-based Verification Framework for Fact-Checking
Beihang University(北京航空航天大学);Zhongguancun Laboratory(中关村实验室)
本文提出基于声明三元组图的GraphFC框架,通过图构建、图引导规划和图引导核查解决声明分解不充分与提及歧义问题,在三个数据集上取得最先进的事实核查性能。
2025-03-10 cs.CL
Think Right, Not More: Test-Time Scaling for Numerical Claim Verification
TU Delft(代尔夫特理工大学);Stockholm University(斯德哥尔摩大学);University of Stavanger(斯塔万内尔大学)
本文针对复杂数值声明核查,提出利用 TTS 生成多条推理路径并由 VERIFIERFC 选择正确判定,还通过复杂度感知的自适应机制将效率提升至标准 TTS 的 1.8 倍,性能较单轮方法提高 18.8%。
2025-09-26 cs.CL
Co-FactChecker: A Framework for Human-AI Collaborative Claim Verification Using Large Reasoning Models
MBZUAI(穆罕默德·本·拉希德人工智能技术 institute);TU Darmstadt(德累斯顿理工大学);IIT Delhi(德里印度理工学院)
本文提出Co-FactChecker框架,通过将模型的思考轨迹作为共享草稿,利用专家反馈指导推理,提升事实核查的准确性和可解释性。
2026-09-23 cs.CL
How Robust Is Multimodal Claim Verification to LLM Rewriting?
NII LLMC, Japan(国立情报学研究所 LLMC,日本);National Institute of Informatics, Japan(国立情报学研究所,日本);University of Göttingen, Germany(哥廷根大学,德国);University of Bologna, Italy(博洛尼亚大学,意大利);The University of Tokyo, Japan(东京大学,日本);Inria, LS2N, Nantes Université, France(法国国家信息与自动化研究所,LS2N,南特大学,法国)
本文研究LLM重写对多模态声明验证的影响,发现模型对自然重写和受控注入具有鲁棒性,但概率偏移存在,且对冲条件影响最大。
2026-10-05 cs.CL
A Comparative Study of Translation Bias and Accuracy in Multilingual Large Language Models for Cross-Language Claim Verification
Algoverse AI Research(Algoverse AI研究)
本研究系统评估了15种语言下多语言LLMs在跨语言声明验证中的翻译偏差与准确性,发现低资源语言直接推理准确率较低,而较大模型在自翻译中表现更优且偏差更小。
2024-10-14 cs.CL
I-vector Transformation Using Conditional Generative Adversarial Networks for Short Utterance Speaker Verification
Tokyo Institute of Technology(东京工业大学)
基于i向量的文本无关说话人确认(SV)系统在短话语下通常具有较差的性能,因为短话语中的有偏语音分布使得提取的i向量不可靠。本文提出了一种使用生成对抗网络(GAN)的i向量补偿方法,其中生成器网络被训练为从短话语i向量生成补偿的i向量,而生成器网络被训练为确定i向量是由生成器生成的还是从长话语中提取的i向量。此外,我们还为GAN分配了另外两个学习任务,以稳定其训练,并使生成的向量更具说话者特定性。在NIST SRE 2008“10 sec-10 sec”条件下的说话人确认实验表明,该方法较传统的i-vector和PLDA系统等误率降低了11.3%.
2018-04-01 cs.LG cs.SD eess.AS
Retrieve-Refine-Calibrate: A Framework for Complex Claim Fact-Checking
Harbin Institute of Technology (Shenzhen)(哈尔滨工业大学(深圳));Shenzhen Technology University(深圳技术大学)
本文提出RRC框架,通过检索、细化和校准提升复杂断言事实核查的准确性。
2026-01-23 cs.CL
When Scale Meets Diversity: Evaluating Language Models on Fine-Grained Multilingual Claim Verification
Saarland University(萨尔大学);German Research Center for Artificial Intelligence (DFKI)(德国人工智能研究中心)
本文在X-Fact上评估五类模型,发现270M参数的XLM-R经微调后以57.7% macro-F1大幅超越7B-12B LLM,并揭示其证据利用困难与类别偏见。
2025-07-28 cs.CL
CHECKWHY: Causal Fact Verification via Argument Structure
Shandong Computer Science Center, Qilu University of Technology (Shandong Academy of Sciences)(齐鲁工业大学(山东省科学院)山东省计算机科学中心);School of Computer Science and Engineering, Southeast University(东南大学计算机科学与工程学院)
本文提出 CheckWhy 数据集,针对因果事实核查任务,通过声明-证据-论证结构三元组检验因果关系的真实性,实验表明引入论证结构对核查至关重要,但现有模型生成论证结构仍具挑战。
2024-09-24 cs.CL
Small LLMs for Biomedical Claim Verification: Cost-Effective Fine-Tuning, Structural Dataset Shortcuts, and Cross-Domain Generalization
Moveworks AI;University of California San Diego(加州大学圣迭戈分校)
通过QLoRA微调小型LLM(Phi-3-mini、Qwen2.5-3B、Mistral-7B),在生物医学声明验证中超越GPT-4o和GPT-5(F1提升12%),并发现SciFact数据集的结构性伪影,提出基于结构稳健数据的跨域迁移方法。
2026-06-12 cs.CL q-bio.QM
MAPLE: Micro Analysis of Pairwise Language Evolution for Few-Shot Claim Verification
Queen Mary University of London(伦敦玛丽女王大学)
针对少样本声明验证监督数据有限的问题,提出MAPLE方法,借助小型seq2seq模型、新型语义度量及微观语言演化路径,利用无标注数据实现验证,在三个数据集上性能优于现有SOTA基线。
2024-01-29 cs.AI cs.CL cs.LG
DecomposeRL: Learning to Ask Useful, Informative, and Diverse Questions for Semi-Supervised, Traceable Claim Verification
Department of Computer Science and Electrical Engineering(计算机科学与电气工程系)
提出DecomposeRL框架,通过GRPO和多面奖励集成将声明分解为可追踪的子问题,在完全监督和半监督设置下实现高精度,且模型规模小4倍仍匹配大模型性能。
2026-05-27 cs.AI cs.CL cs.LG
UKP-Athene: Multi-Sentence Textual Entailment for Claim Verification
Technische Universität Darmstadt(达姆施塔特工业大学)
事实提取和验证(FEVER)共享任务的启动是为了支持能够通过从原始文本中提取支持或反驳事实来验证声明的系统的开发。共享任务组织器为索赔验证中涉及的连续步骤提供大规模数据集,特别是文档检索,事实提取和索赔分类。在本文中,我们提出了我们的索赔验证管道方法,根据初步结果,在23个竞争系统中,该方法在共享任务中排名第三。对于文档检索,我们实现了一种新的实体链接方法。为了能够对候选事实进行排名并根据几个选定的事实对索赔进行分类,我们对增强型LSTM(ESIM)进行了两个扩展。
2019-05-09 cs.AI cs.CL cs.IR
Distill and Align Decomposition for Enhanced Claim Verification
University of Oxford(牛津大学);JPMorgan AI Research(摩根大通人工智能研究院)
本文提出一种基于强化学习的分解与对齐方法,通过优化分解质量和验证器对齐,提升声明验证性能,达到71.75%的宏F1,优于现有方法。
2026-02-25 cs.AI cs.CL cs.LG
ART: Adaptive Reasoning Trees for Explainable Claim Verification
Capital One;Stevens Institute of Technology(史蒂文斯理工学院)
ART通过自适应推理树提升声明验证的可解释性和可靠性,通过分层论证结构和法官LLM裁决实现透明且可挑战的决策。
2026-01-09 cs.AI cs.LG
Fact or Fiction? Improving Fact Verification with Knowledge Graphs through Simplified Subgraph Retrievals
University of Oslo(奥斯陆大学)
针对自然语言处理中事实验证的难题,研究提出基于知识图谱的高效声明验证方法,通过将证据检索从微调语言模型简化为逻辑检索,在FactKG数据集上实现了更低计算资源消耗与更高测试集准确率。
2024-08-14 cs.AI cs.CL cs.LG
CheckThat! at CLEF 2020: Enabling the Automatic Identification and Verification of Claims in Social Media
DIT–Università di Bologna(博洛尼亚大学数字与信息工程系);Qatar University(卡塔尔大学);Qatar Computing Research Institute, HBKU(哈马德·本·哈利法大学卡塔尔计算研究所)
我们描述了第三版的CheckThat!实验室,这是2020年跨语言评估论坛(CLEF)的一部分。CheckThat!提出了四个补充任务和一个与以前实验版本相关的任务,提供英语、阿拉伯语和西班牙语版本。任务1要求预测Twitter流中哪些推文值得进行事实核查。任务2要求确定是否可以使用一组先前经过事实检查的声明来验证推文中发布的声明。任务3要求从一组给定的Web页面中检索文本片段,这些文本片段对于验证目标tweet的声明很有用。任务4要求使用一组网页和其中可能有用的片段来预测目标推文声明的真实性。最后,实验室提供了第五个任务,要求预测在英语政治辩论和演讲中提出的主张的检查价值。CheckThat!有一个完整的评估框架。对于排序任务,使用平均精度或等级k处的精度进行评估,对于分类任务,使用F1进行评估。
2020-01-21 cs.AI cs.CL cs.IR
MuPlon: Multi-Path Causal Optimization for Claim Verification through Controlling Confounding
Zhejiang Key Laboratory of Intelligent Education Technology and Application(浙江智能教育技术与应用重点实验室);Zhejiang Normal University(浙江师范大学);School of Computer Science and Engineering(计算机科学与工程学院);Southeast University(东南大学);Department of Computer Science, University of Messina(梅斯纳大学计算机科学系)
MuPlon提出多路径因果优化框架,通过后门路径控制噪声和前门路径消除偏差,提升声明验证性能并达到最先进水平。
2026-09-15 cs.CL cs.LG stat.ME