[論文レビュー] Probing Neural Network Comprehension of Natural Language Arguments

Timothy Niven, Hung‐Yu Kao|arXiv (Cornell University)|Jul 17, 2019

Topic Modeling参考文献 27被引用数 34

ひとこと要約

この論文はBERTの強力なARCT性能の大部分が偽の手掛かりの利用に起因することを示し、モデルがランダムに近い性能を示す adversarialデータセットを導入して、ロバストな評価基準を提案している。

ABSTRACT

We are surprised to find that BERT's peak performance of 77% on the Argument Reasoning Comprehension Task reaches just three points below the average untrained human baseline. However, we show that this result is entirely accounted for by exploitation of spurious statistical cues in the dataset. We analyze the nature of these cues and demonstrate that a range of models all exploit them. This analysis informs the construction of an adversarial dataset on which all models achieve random accuracy. Our adversarial dataset provides a more robust assessment of argument comprehension and should be adopted as the standard in future work.

研究の動機と目的

• BERTや他のモデルが、データセットのアーティファクトを超えて、ARCTにおける自然言語の議論を本当に理解しているかを評価する。
• ARCTでモデルが利用する偽の統計的手掛かりを特定し、定量化する。
• 将来の研究のための堅牢な評価とベースラインを提供する adversarialデータセットを開発する。

提案手法

• ARCTにおいてベースラインモデル（BoV、BiLSTM、GIST、Botschen ら）とBERTを再現・拡張する。
• ワラントにおける語彙的手掛かり（例: the word 'not'）への依存を特定するためにモデルの意思決定を検査する。
• 手掛かり指標（生産性、カバレッジ）を定義してデータ全体での手掛かりの有用性を定量化する。
• 主張を否定しラベルを反転させて手掛かり分布を反映させる adversarial ARCTデータセットを作成する。
• 手掛かりを超えた真の議論理解を測るため、 adversarialデータ上でモデルを評価する。

実験結果

リサーチクエスチョン

• RQ1 最先端モデル、特にBERTは、ARCTにおいて偽の手掛かりに頼っているのか、それとも真の議論理解をしているのか？
• RQ2 敵対的データ変換は手掛かり頼みの性能を排除し、真の推論能力を明らかにできるか？
• RQ3 統計的手掛かりがラベル間で均衡化または反映されたとき、異なるモデルアーキテクチャはどのように機能するか？
• RQ4 ARCTに対するモデルのロバスト性を高めるための adversarialデータでの訓練の影響は？

主な発見

• BERTの最高77%の正解率は、真の理解ではなくデータセットの手掛かりを利用した結果であることが大半で説明される。
• 検査により、ワラントだけで最大71%の正解率を生み、追加のreason/claim手掛かりが残りの向上を説明する。
• ラベル周辺の手掛かり分布を模した adversarialデータセットは、BERTの性能をランダム近く（最大53%程度）にまで低下させる。
• モデルを問わず、元データでの性能は adversarialデータでほぼランダムレベルまで低下し、偽の手掛かりへの依存を示す。
• adversarial訓練と評価により、現状のモデルが堅牢な議論理解を実現していないことが明らかになる。