先训练以生成，再生成以训练：面向少样本自然语言推理的UnifiedSynT5

自然语言推断（Natural Language Inference, NLI）任务要求识别句子对之间的语义关系，通常分为蕴含（entailment）、矛盾（contradiction）和中立（neutrality）三类。尽管当前最先进（State-of-the-Art, SOTA）的模型Entailment Few-Shot Learning（EFL）在斯坦福自然语言推断（Stanford Natural Language Inference, SNLI）数据集上已达到93.1%的准确率，但其进一步提升受到数据集固有局限性的制约。为应对这一挑战，我们提出一种新颖方法，通过合成数据增强来提升数据集的多样性与复杂性。本文提出UnitedSynT5，作为EFL的高级扩展模型，该模型基于T5架构的生成器合成额外的前提-假设对，并经过严格清洗后融入训练数据。这些增强样本在EFL框架内进行处理，通过将标签直接嵌入假设中以保证一致性。我们在扩展后的数据集上训练GTR-T5-XL模型，在SNLI数据集上取得94.7%的准确率，在E-SNLI数据集上达到94.0%，在MultiNLI数据集上达到92.6%，均超越了先前的最先进模型。本研究证实了合成数据增强在提升NLI模型性能方面的巨大潜力，为自然语言理解任务的进一步发展提供了可行路径。