Paraphrasing in Affirmative Terms Improves Negation Understanding

否定是一种常见的语言现象。然而，语言模型在许多自然语言理解任务中，如问答和自然语言推理中，面临否定的挑战。在本文中，我们尝试采用无否定的释义（即，没有否定的释义）的无缝策略，使模型对否定更具鲁棒性。关键是，我们的肯定释义是自动获取的。我们在CondaQA（一个需要运用否定推理的大型语料库）和五个自然语言理解任务中展示了改进。

论文旨在解决自然语言理解任务中的否定性问题，通过自动获取肯定性解释以增强模型对否定的鲁棒性。

该论文的关键思路是通过自动获取肯定性解释以增强模型对否定的鲁棒性，从而提高自然语言理解任务的性能。

论文通过实验验证了该方法在CondaQA数据集和其他五个自然语言理解任务中的有效性。此外，论文还提供了开源代码。

在这个领域中，最近的相关研究包括《NegBERT: A Transfer Learning Approach for Negation Detection in Clinical Text》和《Improving Neural Language Models with a Continuous Relaxation of Deterministic Inference》等。