Opis projektu
Automatyczne określanie faktów i fałszu
Coraz większy zasięg internetu oraz mediów, a także najnowsze wydarzenia sprawiają, że coraz częściej stajemy przed koniecznością szybkiej i łatwej weryfikacji informacji, które widzimy w sieci. Problem stanowi jednak ogromna ilość danych, która powoduje, że nawet mechanizmy weryfikacji oparte na algorytmach uczenia maszynowego mają trudności z efektywnym działaniem lub wyjaśnieniem procesu weryfikacji. Nad rozwiązaniem tego problemu pracuje zespół finansowanego przez Europejską Radę ds. Badań Naukowych projektu ExplainYourself, który dąży do opracowania wytłumaczalnego mechanizmu weryfikacji faktów. Ze względu na to, że istniejące metody automatycznego sprawdzania faktów często wykorzystują nieprzejrzyste głębokie sieci neuronowe, badacze skupiają się przede wszystkim na wyjaśnialności działania algorytmu weryfikującego, rozwiązując tym samym problem istniejących podejść, które nie są w stanie tworzyć zróżnicowanych wyjaśnień, dostosowanych do użytkowników o różnych poziomach zapotrzebowania na informacje.
Cel
ExplainYourself proposes to study explainable automatic fact checking, the task of automatically predicting the veracity of textual claims using machine learning (ML) methods, while also producing explanations about how the model arrived at the prediction. Automatic fact checking methods often use opaque deep neural network models, whose inner workings cannot easily be explained. Especially for complex tasks such as automatic fact checking, this hinders greater adoption, as it is unclear to users when the models' predictions can be trusted. Existing explainable ML methods partly overcome this by reducing the task of explanation generation to highlighting the right rationale. While a good first step, this does not fully explain how a ML model arrived at a prediction. For knowledge intensive natural language understanding (NLU) tasks such as fact checking, a ML model needs to learn complex relationships between the claim, multiple evidence documents, and common sense knowledge in addition to retrieving the right evidence. There is currently no explainability method that aims to illuminate this highly complex process. In addition, existing approaches are unable to produce diverse explanations, geared towards users with different information needs.
ExplainYourself radically departs from existing work in proposing methods for explainable fact checking that more accurately reflect how fact checking models make decisions, and are useful to diverse groups of end users. It is expected that these innovations will apply to explanation generation for other knowledge-intensive NLU tasks, such as question answering or entity linking. To achieve this, ExplainYourself builds on my pioneering work on explainable fact checking as well as my interdisciplinary expertise.
Dziedzina nauki
Słowa kluczowe
Program(-y)
- HORIZON.1.1 - European Research Council (ERC) Main Programme
Temat(-y)
System finansowania
ERC - Support for frontier research (ERC)Instytucja przyjmująca
1165 Kobenhavn
Dania