Thunder-NUBench: A Benchmark for LLMs' Sentence-Level Negation Understanding
Graduate School of Data Science, Seoul National University(首尔国立大学数据科学研究生院);Dept. of Computer Science and Engineering, Seoul National University(首尔国立大学计算机科学与工程系)
本文提出Thunder-NUBench,专门评估大语言模型对句子级否定的理解,通过对比标准否定与结构多样化的替代形式,如局部否定、矛盾和改写,提供全面的评估方法。
2026-01-21 cs.CL
Learning Robust Negation Text Representations
The University of Melbourne(墨尔本大学);RMIT University(皇家墨尔本理工大学);MBZUAI(穆罕默德·本·扎耶德人工智能大学);Google Research(谷歌研究院)
本文提出利用大语言模型中的否定与模糊限定模式蒸馏数据,结合对比学习微调BERT编码器,以提升否定理解鲁棒性,并证明该方法也可适配于大语言模型。
2025-07-17 cs.CL
Benchmarking Gaslighting Negation Attacks Against Multimodal Large Language Models
Singapore Management University(新加坡管理大学);Fudan University(复旦大学)
本研究系统研究多模态大模型在对话中因用户否定而反转正确输出的煤气灯否定攻击,提出首个基准GaslightingBench,发现专有模型韧性优于开源模型,且主观领域更脆弱,凸显鲁棒性差距。
2025-10-08 cs.CL
This is not correct! Negation-aware Evaluation of Language Generation Systems
School for Computation, Information and Technology(计算、信息与技术学院);Technical University of Munich(慕尼黑工业大学)
针对语言模型评估指标对否定不敏感的问题,提出否定感知评估指标NegBLEURT,构建CANNOT数据集进行微调,在否定句评估上大幅超越现有指标且保持基础性能。
2023-07-26 cs.CL cs.LG
As Easy as Rocket Science: Assessing the Ability of Large Language Models to Interpret Negation in Figurative Language
Intelligent Systems Lab University of Bristol(智能系统实验室 英国布里斯托尔大学);ILLC University of Amsterdam(阿姆斯特丹大学语言学研究所)
本研究通过开发新的注释数据集,测试多种大型语言模型在比喻语言中理解否定的能力,发现否定与比喻的组合对模型构成挑战,且性能高度依赖提示风格。
2026-06-18 cs.AI cs.CL
Probing structural constraints of negation in Pretrained Language Models
Université Paris Cité(巴黎城市大学);Université Sorbonne Nouvelle(新索邦大学);CNRS(法国国家科学研究中心);ENS-PSL(巴黎高等师范学院-PSL大学)
本文通过负极项许可现象使用探针方法研究预训练语言模型如何编码否定及其形式影响,发现模型嵌入能反映否定辖域并编码否定对NPI许可的作用,但对照实验表明模型可能仅捕捉到更一般的句法子句概念。
2024-08-06 cs.CL
Revisiting the Systematicity in Negation in the Era of In-Context Learning
The University of Tokyo(东京大学);Riken(理化学研究所);Tohoku University(东北大学)
通过行为与表征系统性分析,发现大型语言模型在上下文学习中能部分识别否定表达和范围,但无法完美执行,且功能向量在否定线索提取任务中可组合,但范围识别更具挑战。
2026-06-16 cs.CL
Investigating and Addressing Hallucinations of LLMs in Tasks Involving Negation
Arizona State University(亚利桑那州立大学)
本文研究否定对大语言模型幻觉的影响,在四个涉及否定的任务上发现LLaMA-2-chat、Vicuna和Orca-2等开源模型存在严重幻觉,并提出多种缓解策略并验证其效果。
2024-06-08 cs.CL
Thunder-KoNUBench: A Corpus-Aligned Benchmark for Korean Negation Understanding
本文提出Thunder-KoNUBench,通过分析韩语否定现象,评估47个LLM在否定理解上的表现,揭示模型大小和指令微调的影响,并展示微调提升韩语否定理解和上下文理解的效果。
2026-06-28 cs.CL
Not all Negation Cues are Equal: Affixal Negations Yield Better Negation Understanding
University of Arizona(亚利桑那大学)
本研究构建大规模数据集NegCue,预训练多种语言模型,发现词缀否定对否定理解提升最大,而单词否定增益有限,且进一步预训练对LM和LLM均有效。
2026-09-15 cs.AI cs.CL
ScoNe: Benchmarking Negation Reasoning in Language Models With Fine-Tuning and In-Context Learning
Haverford College(哈弗福德学院);Stanford University(斯坦福大学);New York University(纽约大学);Anthropic, PBC(Anthropic公司)
该研究提出ScoNe基准,评估语言模型在否定推理上的表现,发现微调有效而上下文学习在NLI上失败,但模型在叙述性任务中能正确推理。
2023-05-30 cs.CL cs.LG
The Sound of Absence: Audio-Language Embedding Models Struggle with Negation
Graduate Institute of Communication Engineering, National Taiwan University, Taiwan(国家台湾大学通讯工程研究所);Artificial Intelligence Center of Research Excellence (AI-CoRE), National Taiwan University, Taiwan(国家台湾大学人工智能卓越研究中心)
研究音频-语言嵌入模型在处理否定时的问题,引入NegEval-Audio框架将数据集转换为否定感知任务,发现模型在否定情况下性能大幅下降,肯定偏差是缺陷,需明确否定感知训练目标。
2026-07-15 cs.AI cs.CL cs.LG
From No to Know: Taxonomy, Challenges, and Opportunities for Negation Understanding in Multimodal Foundation Models
IIT Jodhpur(焦特布尔印度理工学院);Lehigh University(利哈伊大学)
针对多语言多模态基础模型在解读否定时的困难,提出否定结构分类法,分析结构、语义和文化因素的影响,指出研究问题与挑战,并倡导专门基准等策略以提升模型处理否定的稳健性与精确性。
2025-02-10 cs.AI cs.CL
Assessing Step-by-Step Reasoning against Lexical Negation: A Case Study on Syllogism
Tohoku University(东北大学);MBZUAI(穆罕默德·本·扎耶德人工智能大学);RIKEN(理化学研究所)
本研究通过引入受控设置评估大型语言模型在词汇否定条件下的逐步推理能力,发现数十个现代LLM在执行CoT风格推理时对词汇否定缺乏鲁棒性,并揭示了各LLM家族的独特局限性。
2023-10-23 cs.CL
Generating Diverse Negations from Affirmative Sentences
University College London(伦敦大学学院);Legal & General(法通集团)
针对现有基准中否定数据不足且形式单一的问题,提出NegVerse方法,从句法掩码的肯定句生成多类型否定句,经过滤后得到高质量多样样本,效果优于现有方法。
2024-10-30 cs.AI cs.CL
DEO: Training-Free Direct Embedding Optimization for Negation-Aware Retrieval
Department of Industrial Engineering, Hanyang University(工业工程系,翰阳大学);Department of Applied Data Science, Sungkyunkwan University(应用数据科学系,成均馆大学)
DEO通过无训练的直接嵌入优化方法,提升了否定和排除感知检索的性能,尤其在多模态检索中表现突出。
2026-11-20 cs.CL
Know "No" Better: A Data-Driven Approach for Enhancing Negation Awareness in CLIP
Department of Electrical and Computer Engineering, Seoul National University(首尔国立大学电子与计算机工程系);Amazon(亚马逊);Samsung Research(三星研究院);School of Computer Science and Engineering, Soongsil University(顺天大学计算机科学与工程学院);IPAI, AIIS, ASRI, INMC, and ISRC, Seoul National University(首尔国立大学IPAI、AIIS、ASRI、INMC和ISRC)
本文提出NegationCLIP,通过生成包含否定的数据增强CLIP的否定意识,同时提出NegRefCOCOg基准用于评估多模态模型的否定理解能力。
2025-08-27 cs.CL cs.CV
Negation-Induced Forgetting in LLMs
University of Tübingen(蒂宾根大学)
本研究通过改编实验框架,测试了ChatGPT-3.5、GPT-4o-mini和Llama3-70b-instruct,发现部分大语言模型存在否定引发的遗忘现象,为理解其认知偏差提供了初步证据。
2025-02-26 cs.CL
How Do LLMs Change Predictions Under Negation?
Graduate School of Data Science, Seoul National University(首尔大学数据科学研究生院);Department of Computer Science and Engineering, Seoul National University(首尔大学计算机科学与工程系)
本研究通过机制分析揭示大语言模型在否定条件下常重复原答案,其机制为抑制原答案而非利用其排除,并提出针对性训练目标以减少失败并保持通用能力。
2026-10-09 cs.AI cs.CL
Balancing Exploration and Exploitation in LLM using Soft RLLF for Enhanced Negation Understanding
National Institute of Informatics(信息学研究所)
提出用 Soft RLLF 在 LLM 微调中平衡探索与利用,并通过基准对比、迁移学习和法律 AI 评估验证其对否定理解与逻辑可靠性的提升。
2024-03-02 cs.AI cs.CL
The Self-Contained Negation Test Set
Université Paris Cité(巴黎西岱大学);LLF (CNRS/UPC)(形式语言学实验室(法国国家科学研究中心/巴黎西岱大学));Université Sorbonne Nouvelle(新索邦大学);Lattice (CNRS/ENS-PSL/USN)(语言与文本处理实验室(法国国家科学研究中心/巴黎高等师范学院-巴黎文理研究大学/新索邦大学))
针对现有PLM否定理解评估测试的缺陷,提出更可控系统的自包含否定测试,经对roberta、bert多版本模型测试发现仅roberta-large符合预期,所有模型仍存在大量否定语义误判。
2024-08-21 cs.CL
Negation Blindness in Large Language Models: Unveiling the NO Syndrome in Image Generation
Aligarh Muslim University(阿里格尔穆斯林大学);VIT Bhopal University(VIT博帕尔大学);Nanyang Technological University(南洋理工大学);Technical University of Munich(慕尼黑工业大学);Imperial College London(伦敦帝国学院);Edinburgh Napier University(爱丁堡龙比亚大学)
本文发现大语言模型在图像生成中存在“NO综合征”,即无法正确理解含否定词的提示,并通过多语言统计实验验证其普遍性,提出用否定上下文感知强化学习反馈回路加以改进。
2024-09-04 cs.AI cs.CL cs.LG
MAQA: A Multimodal QA Benchmark for Negation
Google Research(谷歌研究院);Seoul National University(首尔国立大学)
多模态学习可以受益于预训练的大语言模型(LLM)的表示能力。然而,最先进的基于Transformer的LLM经常忽略自然语言中的否定,并且没有现有的基准来定量评估多模态Transformers是否继承了这个弱点。在这项研究中,我们提出了一个新的多模态问答(QA)基准,改编自AudioSet中的标记音乐视频(Gemmeke等人,2017年)的目标是系统地评估多模态Transformers是否可以执行复杂的推理,以将新概念识别为对先前学习的概念的否定。我们表明,与标准的微调方法多模态Transformers仍然无法正确地解释否定,无论模型的大小。然而,我们的实验表明,用否定的QA示例来增强原始训练任务分布,可以让模型可靠地用否定进行推理。要做到这一点,我们描述了一种新的数据生成过程,提示540 B参数PaLM模型自动生成否定QA的例子,容易访问的视频标签的组成。生成的例子包含更多的自然语言模式和增益相比,基于模板的任务增强方法是显着的。
2023-01-09 cs.AI cs.CL cs.LG
Negation Triplet Extraction with Syntactic Dependency and Semantic Consistency
School of Data Science, Fudan University(复旦大学数据科学学院);East China University of Science and Technology(华东理工大学);Meituan(美团)
针对现有否定理解未识别否定主体的问题,提出否定三元组抽取任务,构建融合句法依赖与语义一致性的SSENE模型及NegComment数据集,性能优于基线。
2024-04-15 cs.AI cs.CL
Controlled Reformulation Testing for Logical Consistency in Large Language Models
University of Texas at Austin(德克萨斯大学奥斯汀分校)
研究大语言模型在逻辑等价问题表面形式改变时的逻辑一致性,提出CRTBench基准,评估多个前沿LLMs,发现存在准确率 - 一致性差距,揭示失败集中在逻辑非平凡变换,表明仅靠准确率无法评估LLMs的逻辑推理。
2026-07-17 cs.AI cs.CL
Can Your Model Tell a Negation from an Implicature? Unravelling Challenges With Intent Encoders
University of California, San Diego(加利福尼亚大学圣迭戈分校);WS AI Labs(WS AI实验室);KAIST(韩国科学技术院)
针对传统基准无法衡量意图嵌入模型语义理解差距的问题,研究提出含三元组任务的语义工具包评估模型对否定与隐含意义的理解,并通过自回归数据增强加对比损失的预训练方法提升相关语义能力。
2024-03-07 cs.CL
Don't Think of the White Bear: Ironic Negation in Transformer Models Under Cognitive Load
该研究探讨Transformer模型在否定指令下的讽刺性反弹现象,通过两项实验分析认知负荷对反弹的影响及极性分离与反弹的关联,结合回路追踪揭示机制,并发布ReboundBench数据集支持后续研究。
2025-11-15 cs.AI cs.CL
An Analysis of Negation in Natural Language Understanding Corpora
University of North Texas(北德克萨斯大学);Thomson Reuters(汤森路透);Arizona State University(亚利桑那州立大学)
本文分析了八个流行的语料库,跨越六个自然语言理解任务的否定。我们发现,这些语料库有几个否定相比,通用英语,和少数否定在他们往往不重要。事实上,人们往往可以忽略否定,仍然做出正确的预测。此外,实验结果表明,用这些语料库训练的最先进的Transformers在包含否定的实例中获得了更差的结果,特别是如果否定很重要的话。我们的结论是,新的语料库会计否定需要解决自然语言理解任务时,否定是存在的。
2022-03-16 cs.CL
Negated and Misprimed Probes for Pretrained Language Models: Birds Can Talk, But Cannot Fly
在Petroni等人(2019)的基础上,我们提出了两个新的探测任务,分析存储在预训练语言模型(PLM)中的事实知识。(1)否定。我们发现,PLM没有区分否定型(“Birds cannot [MASK]”)和非否定型(“Birds can [MASK]”)完形填空题。(2)启动错误。受人类心理学中启动方法的启发,我们在完形填空题中加入了“误启动”(“谈话?鸟类可以[面具]”)。我们发现,PLM很容易被误启动分心。这些结果表明,PLM仍然有很长的路要走,充分学习人类一样的事实知识。
2020-05-15 cs.CL
Paraphrasing in Affirmative Terms Improves Negation Understanding
University of Arizona(亚利桑那大学)
针对语言模型难以理解否定的问题,提出自动生成无否定肯定改写并融入模型的策略,在 CondaQA 和五项 NLU 任务上提升了否定鲁棒性。
2024-06-11 cs.CL
Making Language Models Robust Against Negation
University of Arizona(亚利桑那大学)
针对语言模型处理否定的长期挑战,提出含新任务NSPP及NSP变体的自监督预训练方法,使BERT和RoBERTa在九项否定基准上优于现成模型,在CondaQA上提升1.8%-9.1%。
2025-02-11 cs.CL
Towards Safer Large Language Models through Machine Unlearning
University of Notre Dame(圣母大学);University of Pennsylvania(宾夕法尼亚大学)
本文提出选择性知识否定遗忘框架 SKU,通过先获取再否定有害知识的两阶段方法,在消除大语言模型有害输出的同时保持其在正常提示上的效用。
2024-06-05 cs.CL
ROG: Retrieval-Augmented LLM Reasoning for Complex First-Order Queries over Knowledge Graphs
School of Information Science and Engineering, Chongqing Jiaotong University(信息科学与工程学院,重庆交通大学);State Grid Chongqing Electric Power Company(国网重庆市电力公司)
ROG通过检索增强的大语言模型推理,解决复杂一阶查询中的投影、交集、并集和否定问题,提升知识图谱推理的鲁棒性和准确性。
2026-02-02 cs.CL
Developmental Negation Processing in Transformer Language Models
University of South Florida(南佛罗里达大学)
使用否定的推理对于基于转换器的语言模型来说是困难的。虽然之前的研究已经使用心理语言学工具来探讨Transformer推理否定的能力,但没有人关注发展心理学中研究的否定类型。我们探讨如何以及Transformers可以处理这些类别的否定,通过框架的问题作为一个自然语言推理(NLI)的任务。我们从流行的NLI数据集中为我们的目标类别策划了一组诊断问题,并评估了一套模型对它们的推理能力。我们发现,模型只在某些类别上表现得更好,这表明它们在处理方式上有明显的区别。
2022-04-29 cs.CL
Disparities In Negation Understanding Across Languages In Vision-Language Models
Massachusetts Institute of Technology(麻省理工学院)
研究探讨了视觉-语言模型在不同语言中对否定理解的差异,通过多语言基准测试发现,CLIP在非拉丁文字语言表现不佳,而MultiCLIP在多语言中表现更优,SpaceVLM在部分语言中显著提升性能。
2026-04-21 cs.CL
Beyond Distributional Hypothesis: Let Language Models Learn Meaning-Text Correspondence
University of Oxford(牛津大学);TU Wien(维也纳工业大学)
逻辑否定属性(LNP)是一个值得信赖的语言模型必须满足的重要属性,它意味着对语义相反的输入生成不同的预测。然而,最近的证据表明,大规模的预训练语言模型(PLM)不满足这一属性。在本文中,我们使用探测任务进行实验,以评估PLM的LNP理解。与以往的研究只考察否定表达不同,本文将研究的范围扩大到词汇语义。通过实验,我们观察到PLM经常违反LNP。为了缓解这个问题,我们提出了一种新的中间训练任务,名称意义匹配,旨在直接学习意义-文本对应,而不是依赖于分布假设。通过多个实验,我们发现,该任务使PLM学习词汇语义信息。此外,通过对7个GLUE任务的微调实验,我们确认它是一个安全的中间任务,保证了下游任务的类似或更好的性能。最后,我们观察到,我们提出的方法优于我们以前的同行,尽管它的时间和资源效率。
2022-05-08 cs.AI cs.CL
Improving negation detection with negation-focused pre-training
The University of Melbourne(墨尔本大学);RMIT University(皇家墨尔本理工大学);MBZUAI(穆罕默德·本·扎耶德人工智能大学)
否定是一种常见的语言特征,在许多语言理解任务中起着至关重要的作用,但由于否定在不同类型的语篇中的表现形式不同,它仍然是一个难题。最近的工作表明,最先进的NLP模型在各种任务中对包含否定的样本表现不佳,并且否定检测模型不能很好地跨域传输。我们提出了一种新的以否定为中心的预训练策略,包括有针对性的数据增强和否定掩蔽,以更好地将否定信息纳入语言模型。在常见基准上进行的大量实验表明,我们提出的方法在强基线NegBERT上提高了否定检测性能和泛化能力(Khandewal和Sawant,2020)。
2022-05-09 cs.CL
Not another Negation Benchmark: The NaN-NLI Test Suite for Sub-clausal Negation
The University of Melbourne(墨尔本大学);MBZUAI(穆罕默德·本·扎耶德人工智能大学);RMIT University(皇家墨尔本理工大学)
当前的语言模型很难捕捉否定,尽管这个问题的程度还没有被广泛理解。我们介绍了一个自然语言推理(NLI)测试套件,使探测能力的NLP方法,以了解子子句否定的目的。测试套件包含前提-假设对,其中前提包含子子句否定,并且通过对前提进行最小修改来构建假设,以反映不同的可能解释。除了采用标准的NLI标签,我们的测试套件系统地构建在一个严格的语言框架。它包括基于语言学理论的否定类型和结构的注释,以及用于构建假设的操作。这有助于对模型性能进行细粒度分析。我们使用预先训练的语言模型进行实验,以证明我们的测试套件比现有的基准测试更具挑战性,重点是否定,并显示我们的注释如何支持更深入地了解当前NLI的否定和量化能力。
2022-10-13 cs.CL
Leveraging Affirmative Interpretations from Negation Improves Natural Language Understanding
University of North Texas(北得克萨斯大学);University of Arizona(亚利桑那大学);Amazon(亚马逊)
否定在许多自然语言理解任务中构成了挑战。受这一事实的启发,理解否定的语句往往需要人类推断肯定的解释,在本文中,我们表明,这样做的好处模型三个自然语言理解任务。我们提出了一个自动化的过程来收集对句子的否定和肯定的解释,导致超过150,000对。实验结果表明,利用这些对有助于(a)T5生成肯定的解释从否定在以前的基准,和(b)基于RoberTa的分类器解决自然语言推理的任务。我们还利用我们的配对来构建一个即插即用的神经生成器,该神经生成器给出否定的陈述,生成肯定的解释。然后,我们将预训练的生成器纳入基于RoberTa的分类器进行情感分析,并表明这样做可以改善结果。最重要的是,我们的建议不需要任何手动操作。
2022-10-26 cs.CL
Evaluating statistical language models as pragmatic reasoners
MIT(麻省理工学院)
本研究评估大语言模型(LLMs)的语用推理能力,通过可分级形容词“strong”的阈值估计及多种组合语境测试,发现LLMs能生成类人的语境化语用解读分布,但否定组合表现不佳,为其语义解析应用提供参考。
2023-05-01 cs.AI cs.CL
Neural Natural Language Inference Models Partially Embed Theories of Lexical Entailment and Negation
Stanford University(斯坦福大学);Allen Institute for AI(艾伦人工智能研究所)
我们研究了自然语言推理(NLI)的神经模型是否可以学习词汇蕴涵和否定之间的组合交互作用,使用了四种方法:(1)挑战测试集和(2)系统概括任务的行为评估方法,以及(3)探测和(4)干预的结构评估方法。为了促进这种整体评估,我们提出了单调性NLI(MoNLI),一个新的自然主义数据集,专注于词汇蕴涵和否定。在我们的行为评估中,我们发现在通用NLI数据集上训练的模型在包含否定的MoNLI示例上系统地失败,但MoNLI微调解决了这一失败。在我们的结构评估中,我们寻找证据,证明我们性能最好的基于BERT的模型已经学会了实现MoNLI背后的单调性算法。探针产生的证据与这一结论一致,我们的干预实验支持这一点,表明模型的因果动态反映了该算法对MoNLI子集的因果动态。这表明,BERT模型至少部分地嵌入了算法层面的词汇蕴涵和否定理论。
2020-11-21 cs.CL
Neural Networks for Cross-lingual Negation Scope Detection
University of Edinburgh(爱丁堡大学)
否定范围已经在几个英语和汉语语料库中进行了注释,并从这些注释中学习到这些语言中这一任务的高度准确的模型。不幸的是,注释没有其他语言版本。一个检测否定作用域的模型是否可以应用于一个它还没有被训练过的语言?我们开发了从英语中的跨语言词嵌入或通用依赖中学习的神经模型,并在中文上进行了测试,结果显示它们的效果令人惊讶。我们发现,建模语法是有帮助的,即使在单语设置和跨语言的词嵌入帮助相对较小,我们分析的情况下,仍然难以完成这项任务。
2018-10-04 cs.CL
A negation detection assessment of GPTs: analysis with the xNot360 dataset
National Institute of Informatics(国立信息学研究所);University of Alberta(阿尔伯塔大学);Imperial College London(帝国理工学院);Royal Holloway, University of London(伦敦大学皇家霍洛威学院)
本研究使用零样本预测和xNot360数据集评估了GPT系列模型的否定检测性能,发现GPT-4表现最佳但整体能力依然有限,揭示了其在高风险领域逻辑可靠性的重要性。
2023-06-29 cs.CL
Improving Sentiment Analysis with Multi-task Learning of Negation
University of Oslo(奥斯陆大学)
情感分析直接受到语言中的成分现象的影响,这些成分现象作用于文本中发现的单词和短语的先前极性。否定是这些现象中最普遍的,为了正确地预测情感,分类器必须能够识别否定并解开其范围对文本最终极性的影响。本文提出了一种多任务的方法,明确地将否定信息的情感分析,我们显示优于学习否定隐式数据驱动的方式。我们描述了我们的方法,一种选择性共享LSTM层的级联神经架构,并表明显式地将否定作为辅助任务来训练模型有助于改进情感分析的主要任务。在几个不同的标准英语语言数据集的两个任务,我们分析了我们的系统的几个方面,其性能,不同类型和数量的输入数据和不同的多任务设置。
2019-10-01 cs.CL
Vision-Language Models Do Not Understand Negation
Institution1(机构1);Institution2(机构2)
本文提出NegBench评估VLM的否定理解能力,发现现有模型常接近随机水平,并通过合成否定字幕微调CLIP显著提升检索与选择题表现。
2025-05-13 cs.CL cs.CV
CONDAQA: A Contrastive Reading Comprehension Dataset for Reasoning about Negation
Carnegie Mellon University(卡内基梅隆大学);Microsoft Semantic Machines(微软语义机器公司);University of Utah(犹他大学)
如果没有否定,人类语言交流的全部力量就无法实现。所有人类语言都有某种形式的否定。尽管如此,否定仍然是当前自然语言理解系统的一个具有挑战性的现象。为了促进未来发展的模型,可以有效地处理否定,我们提出了CONDAQA,第一个英语阅读理解数据集,需要推理的否定语句的段落中的含义。我们收集具有不同否定线索的段落,然后让众工作者就段落中被否定陈述的含义提出问题。我们还让工作人员对文章进行了三种编辑--解释被否定的陈述,改变否定的范围,以及反转否定--导致了模型很难用虚假的快捷方式回答的问题-答案对集群。CONDAQA具有14,182个问题-答案对,超过200个独特的否定线索,对当前最先进的模型具有挑战性。在CONDAQA(UnifiedQA-v2-3b)上表现最好的模型在我们的一致性指标上仅达到42%,远低于人类的81%。我们发布了我们的数据集,以及完全微调,Few-Shot和zero-shot评估,以促进未来NLP方法的开发,这些方法适用于否定语言。
2022-11-01 cs.AI cs.CL
Analyzing and Mitigating Negation Artifacts using Data Augmentation for Improving ELECTRA-Small Model Accuracy
本文针对 ELECTRA-small 在 SNLI 上因否定伪影导致分类困难的问题,提出用对比集和对抗样本进行定向数据增强,在不损害整体性能的前提下提升否定样本准确率。
2025-11-09 cs.AI cs.CL
Composing Conversational Negation
University of Oxford(牛津大学);Cambridge Quantum(剑桥量子公司)
自然语言中的否定不遵循布尔逻辑,因此本质上难以建模。特别是,它考虑到对被否定的内容的更广泛的理解。在以前的工作中,我们提出了一个框架的话,占“世俗语境”的否定。本文扩展了这一建议,现在占固有的组成结构的语言内的DisCoCirc框架。我们组合单个词的否定来捕捉句子的否定。我们还描述了如何建模的话,其含义在文本中演变的否定。
2022-11-03 cs.CL math.CT
Semantic Adapter for Universal Text Embeddings: Diagnosing and Mitigating Negation Blindness to Enhance Universality
Amadeus France(法国阿玛德斯公司)
针对通用文本嵌入模型在评估基准偏差下存在的否定感知缺失问题,提出一种无需修改模型参数的嵌入重加权方法,在简单与复杂否定理解任务中显著提升了模型及大语言模型嵌入的否定感知能力。
2025-07-16 cs.AI cs.CL
A Question-Answer Driven Approach to Reveal Affirmative Interpretations from Verbal Negations
University of North Texas(北德克萨斯大学);Arizona State University(亚利桑那州立大学);University of Texas at Austin(德克萨斯大学奥斯汀分校)
本文探讨了一种问答驱动的方法,以揭示肯定的解释,从口头否定(即,当否定提示在语法上修饰动词时)。我们创建了一个新的语料库,其中包括4,472个口头否定,发现其中67.1%传达了一个事件实际上发生了。注释器生成并回答了3,001个否定的7,277个问题,这些问题传达了肯定的解释。我们首先把从否定中揭示肯定解释的问题作为一个自然语言推理(NLI)分类任务。实验结果表明,国家的最先进的Transformers培训与现有的NLI语料库是不够的,以揭示肯定的解释。然而,我们也观察到,微调带来了小的改进。除了NLI分类,我们还探讨了更现实的任务,产生肯定的解释直接从否定与T5 Transformer。我们的结论是,生成任务仍然是一个挑战,因为T5大大低于人类。
2022-05-23 cs.CL
Probing Negation Understanding in Vision-Language Models With Object Attention
University of Bristol(布里斯托尔大学);University of Amsterdam(阿姆斯特丹大学);ILLC, University of Amsterdam(阿姆斯特丹大学逻辑、语言与计算研究所)
该研究分析VLMs处理否定的注意力模式,发现模型与人类注意力模式存在差异,PaliGemma2-3B的注意力转向是副产物,LLaVA-1.5-7B有空间偏好,下游任务中肯定与否定问题存在性能差距。
2026-10-16 cs.AI cs.CL cs.CV
Negation in Cognitive Reasoning
Universität Koblenz-Landau(科布伦茨-兰道大学);Harz University of Applied Sciences(哈尔茨应用技术大学)
否定是形式逻辑和自然语言中的一种操作,通过这种操作,一个命题被一个陈述相反的命题所取代,如通过添加“不”或另一个否定线索。以适当的方式对待否定是认知推理所必需的,认知推理旨在模拟人类在不完整和不一致的知识下得出有意义结论的能力。认知推理的任务之一是回答由自然语言的句子给出的问题。有一些基于话语表示理论的工具可以将句子自动转换为形式逻辑表示,并且可以使用公式和知识数据库中的谓词名称添加额外的知识。然而,在实际应用中,逻辑数据库中的知识往往是不完整的。因此,单独的自动推理系统的正向推理不足以导出问题的答案,因为,代替完整的证明,通常只能导出部分肯定知识,而否定知识仅在推理过程中使用。因此,我们的目标是消除句法否定,严格地说,被否定的事件或属性。在本文中,我们描述了一个有效的程序来确定否定的事件或属性,以取代它的逆。这奠定了认知推理的基础,采用逻辑和机器学习进行一般问答。我们评估我们的程序的几个基准,并证明其在我们的认知推理系统的实际用途。
2021-10-13 cs.CL
A Semantic Approach to Negation Detection and Word Disambiguation with Natural Language Processing
University of Cincinnati(辛辛那提大学);Penn State University(宾夕法尼亚州立大学)
本研究提出基于词义消歧评估文本词汇结构的否定检测框架,利用WordHoard知识库发现并反义化被否定单词,相比传统方法,使SentiWordNet等情感分析工具准确率显著提升。
2023-02-22 cs.AI cs.CL cs.IR
Negation, Coordination, and Quantifiers in Contextualized Language Models
CIS - LMU Munich(慕尼黑大学计算机科学研究所);University of Konstanz(康斯坦茨大学)
随着语境化语言模型的成功,许多研究探索了这些模型真正学到了什么,以及在哪些情况下它们仍然失败。这项工作的大部分重点是特定的NLP任务和学习结果。很少有研究试图将模型的弱点与特定任务分离开来,并专注于嵌入本身及其学习模式。在本文中,我们采取了这样的研究机会:基于理论语言学的见解,我们探讨是否学习功能词的语义约束,以及周围的上下文如何影响他们的嵌入。我们创建合适的数据集,提供了新的见解的内部运作的LM相对于功能词和实现一个辅助的可视化Web界面进行定性分析。
2022-09-16 cs.AI cs.CL