事実検証のための意味レベルグラフ上の推論

検証は、主張の真偽を確認するためには複数の取得可能な証拠について推論を要するため、困難なタスクである。本研究では、証拠の意味論的構造について推論できる手法を提示する。従来の多くは、証拠文を文字列の連結または個別証拠文の特徴を融合する形で表現するが、本手法は意味役割ラベリングにより得られる豊かな意味構造を用いる点で異なり、BERT、GPT、XLNetなどの事前学習モデルの進展を活用しつつ、証拠の構造を有効に活用する二つのメカニズムを提案する。具体的には、XLNetをバックボーンとして用い、まずグラフ構造を用いて語の相対的距離を再定義する。その直感は、意味的に関連する語は短い距離に位置するべきであるというものである。次に、グラフ畳み込みネットワーク（GCN）およびグラフアテンションネットワーク（GAT）を用いて、グラフ上の隣接ノードから情報を伝搬・集約する。本手法は、検証タスクのベンチマークデータセットであるFEVER上で評価され、豊かな構造的情報を用いることで性能向上が確認された。また、両方のグラフベースのメカニズムが精度向上に寄与していることが明らかになった。本モデルは、公式評価指標である主張検証精度およびFEVERスコアの両面で、現在の最先端性能を達成している。