A Survey on Natural Language Counterfactual Generation

自然语言反事实生成的目标是最小化修改给定的文本，以便修改后的文本将被分类为不同的类别。生成的反事实可以通过突出显示哪些单词对结果产生了显著影响，从而提供有关模型预测背后推理的见解。此外，它们可以用于检测模型公平性问题或增强训练数据以提高模型的稳健性。已经进行了大量研究，以生成各种NLP任务的反事实，采用不同的模型和方法。随着这一领域的快速增长，系统综述对于指导未来的研究人员和开发人员至关重要。为了填补这一空白，本调查全面概述了文本反事实生成方法，特别是那些基于大型语言模型的方法。我们提出了一个新的分类法，将生成方法分为四组，并系统总结了评估生成质量的指标。最后，我们讨论了正在进行的研究挑战，并概述了未来工作的有前途的方向。

本论文旨在综述文本反事实生成方法，特别是基于大型语言模型的方法，以及对生成质量进行评估的度量标准，以指导未来研究和开发。

本论文提出了一个新的分类方法，将文本反事实生成方法分为四类，并对生成质量的度量标准进行了系统总结。

本文综述了文本反事实生成方法的研究现状，包括利用不同模型和方法进行各种自然语言处理任务的反事实生成。实验使用了多个数据集，并对生成质量进行了评估。此外，本文还讨论了当前研究中存在的挑战，并提出了未来工作的方向。

最近在该领域中，还有一些相关的研究，例如：'Generating Natural Language Adversarial Examples through Probability Weighted Word Saliency'、'Contrastive Explanation: A Structural-Model Approach'、'Generating Informative and Diverse Conversational Responses via Adversarial Information Maximization'等。