Logikgetriebene Kontexterweiterung und Datenaugmentation für das logische Schließen von Text

Das logische Schließen aus Text erfordert das Verständnis kritischer logischer Informationen im Text sowie die Durchführung von Schlussfolgerungen darauf basierend. Großskalige vortrainierte Modelle für logisches Schließen konzentrieren sich hauptsächlich auf die Wort-Ebene der Textsemantik, während sie Schwierigkeiten haben, symbolische Logik zu erfassen. In diesem Paper schlagen wir vor, logische Symbole und Ausdrücke im Text zu verstehen, um zur korrekten Antwort zu gelangen. Auf Basis dieser logischen Informationen stellen wir nicht nur einen Rahmen zur Kontexterweiterung vor, sondern auch einen Algorithmus zur Datenverstärkung. Der erste erweitert den Kontext, um implizite logische Ausdrücke zu erfassen, die den Gesetzen der logischen Äquivalenz folgen. Der zweite verstärkt textlich ähnliche, jedoch logisch verschiedene Instanzen, um logische Informationen – insbesondere logische Negationen und bedingte Beziehungen – besser zu erfassen. Wir führen Experimente auf dem ReClor-Datensatz durch. Die Ergebnisse zeigen, dass unsere Methode die derzeit beste Leistung erzielt, und sowohl der logikgetriebene Rahmen zur Kontexterweiterung als auch der Algorithmus zur Datenverstärkung zur Verbesserung der Genauigkeit beitragen. Zudem ist unser Multi-Modell-Ensemble-System das erste, das sowohl auf der EASY- als auch auf der HARD-Teilmenge des ReClor-Datensatzes die menschliche Leistung übertreffen kann.