해석 가능한 텍스트 함의를 위한 언어적 특징
Linguistic Features for Interpretable Textual Entailment
자연어 처리(NLP)에서 신경망 모델이 성공을 거두었지만, 블랙박스 특성 때문에 해석 가능성이 제한되고 예측의 근거가 되는 언어적 현상이 드러나지 않는다. 본 연구는 텍스트 함의 인식(Recognizing Textual Entailment)을 위한 설명 가능한 하이브리드 모델 SLITE를 제안한다. SLITE는 두 가지 상호 보완적인 의미 분석 층을 통합한다. 하나는 조합적 개체(compositional entities) 간 의미적 호환·비호환에 기반한 구조-관계(structural-relational) 층이고, 다른 하나는 전제(premise)와 가설(hypothesis)의 임베딩 기반 표현 사이 정보 변화의 구조화된 패턴에 기반한 분포-정보(distributional-informational) 층이다. 개체 수준 의미 관계, 극성(polarity)에 민감한 어휘 매칭, 유사도 행렬의 의미적 하위 표현에 대한 정렬(alignment) 측정—엔트로피 및 전달 엔트로피(transfer entropy)에 기반한 측정을 포함—을 결합한 17개 특징을 제안한다. 이 특징으로 학습한 로지스틱 회귀는 3-class SICK에서 정확도 83%, SICK-CE에서 96%를 달성하여 IsoLex보다 4퍼센트포인트 높고, RoBERTa 대비 계산 복잡도는 훨씬 낮으면서 정확도는 2퍼센트포인트 이내이다. 소거(ablation) 연구와 SHAP 분석은 구조-관계 특징이 분류의 주된 동인임을 확인했으며, 분포-정보 특징은 특히 중립(neutrality)과 모순(contradiction) 탐지에 필수적인 보조 기여를 한다. 결과는 하이브리드 접근에 대한 추가 탐구가 거대 신경망 아키텍처 대신 실행 가능하고 과학적으로 유의미한 대안임을 보여 주며, 언어 이론과 추론(inference)의 계산 모델링 간 대화를 더욱 촉진하기를 기대한다.