Faithfulness Tests for Natural Language Explanations

要約

ニューラル モデルの説明は、モデルの予測に関する意思決定プロセスを明らかにすることを目的としています。
しかし、最近の研究では、顕著性マップや反事実などの説明を与える現在の手法は、モデルの内部動作に忠実ではない理由を提示する傾向があるため、誤解を招く可能性があることが示されています。
この研究では、自然言語説明 (NLE) の忠実性を評価するという難しい問題を検討します。
この目的のために、2 つのテストを紹介します。
まず、反事実の予測につながるが NLE には反映されない理由を挿入するための反事実入力エディタを提案します。
次に、生成された NLE に記載されている理由から入力を再構築し、それらが同じ予測につながる頻度を確認します。
私たちのテストでは、新しい NLE モデルを評価することができ、忠実な NLE の開発における基本的なツールであることが証明されています。

要約(オリジナル)

Explanations of neural models aim to reveal a model’s decision-making process for its predictions. However, recent work shows that current methods giving explanations such as saliency maps or counterfactuals can be misleading, as they are prone to present reasons that are unfaithful to the model’s inner workings. This work explores the challenging question of evaluating the faithfulness of natural language explanations (NLEs). To this end, we present two tests. First, we propose a counterfactual input editor for inserting reasons that lead to counterfactual predictions but are not reflected by the NLEs. Second, we reconstruct inputs from the reasons stated in the generated NLEs and check how often they lead to the same predictions. Our tests can evaluate emerging NLE models, proving a fundamental tool in the development of faithful NLEs.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google