e-SNLI: 자연어 추론에 대한 자연어 설명

머신 러닝이 대중적으로 널리 채택되려면, 모델은 자신의 결정에 대한 해석 가능하고 견고한 설명을 제공할 수 있어야 하며, 훈련 시기에는 인간이 제공하는 설명으로부터 학습할 수 있어야 합니다. 본 연구에서는 스탠퍼드 자연어 추론 데이터셋(Stanford Natural Language Inference dataset)을 확장하여 인간이 주석을 단 자연어 설명의 추가 계층을 포함시켰습니다. 우리는 이 설명들을 훈련 과정에 통합하고 테스트 시기에 출력하는 모델들을 구현하였습니다. 우리는 이러한 설명들의 코퍼스, 즉 e-SNLI를 다양한 목표에 활용할 수 있는 방법을 보여주는데, 예를 들어 모델의 결정에 대한 전체 문장의 정당성을 얻거나, 보편적인 문장 표현(universal sentence representations)을 개선하거나, 도메인 외의 NLI 데이터셋으로 전송하는 등의 목표가 있습니다. 따라서 우리의 데이터셋은 자연어 설명을 사용하여 모델을 개선하고 그 신뢰성을 주장하는 데 필요한 연구 방향들을 열어놓습니다.