arXiv cs.CL· Xuyao Feng, Antonis Bikakis·· 3 天前AI 评分18
从句子级监督学习命题级链接：面向神经符号 NLI 的可训练原子链接器
Learning Proposition-Level Links from Sentence-Level Supervision for Neuro-Symbolic NLI
AI 导读
研究者提出一种可训练的原子链接器，在神经符号 NLI 中联合预测命题单元间的链接存在性、源选择与关系类型，无需原子对标注，仅用句子级 NLI 标签训练，翻译器与 SAT 推理器保持固定。
正文 · AI 翻译
摘要：我们研究神经符号自然语言推理（NLI），使用前提和假设各自独立翻译得到的命题表示。在符号推理之前，系统必须推断它们命题级单元（原子）之间的语义链接。现有基于抽象语义表示（AMR）和布尔可满足性（SAT）的系统使用固定的基于嵌入的源选择和预训练的句子级 NLI 模型来识别这些链接，而这些模型并非为原子级链接训练。我们引入一个可训练的原子链接器，联合预测链接存在性、源选择和关系类型。在没有原子对训练标注的情况下，我们将跨公式的链接结构视为潜在变量，并从句子级 NLI 标签训练链接器，同时保持翻译器和 SAT 推理器固定。我们在斯坦福自然语言推理（SNLI）和涉及组合知识的句子（SICK）的完整公开测试集，以及多体裁自然语言推理（MNLI）的匹配和不匹配验证集上进行评估。与在同一 SAT 流程内将句子训练的 NLI 模型原样应用于原子对的基线相比，我们的系统将准确率提高了 11.40-27.09 个百分点。在 SNLI 和两个 MNLI 划分上，它也比先前的固定链接器 AMR-to-SAT 系统提高了 8.14-26.32 个百分点，在 SICK 上提升较小。
| Subjects: | 计算与语言（cs.CL） |
| Cite as: | arXiv:2610.15158 [cs.CL] |
| （或 arXiv:2610.15158v2 [cs.CL] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2610.15158 arXiv 颁发的 DOI 通过 DataCite |
提交历史
来自：Xuyao Feng [查看电子邮件]
[v1]
2026年10月10日星期六 20:16:23 UTC（60 KB）
[v2]
2026年10月14日星期三 07:38:08 UTC（61 KB）
来源：arXiv cs.CL · arxiv.org