CECOR：面向纠正的合成数据构建，用于事实错误纠正

事实错误纠正（FEC）旨在将不准确的文本修改为与外部证据事实上一致的陈述。尽管最近的方法在单跳校正上表现良好，但它们通常将声明视为原子单元，并且难以处理需要跨多个证据源进行组合推理的多跳案例。由于配对数据有限以及在复杂推理链中定位语义错误的困难，这一挑战进一步放大。我们提出了 CECoR（通过推理感知综合进行组合错误校正），这是一个推理感知框架，引入了用于组合错误校正的分解和注入范例。 CECoR 将多跳声明分解为可解释的推理步骤，并注入受控扰动以合成高质量的训练对。结合监督 微调 和强化学习的两阶段学习策略提高了事实准确性和鲁棒性。综合评估表明，CECoR 在多跳基准上实现了强大的性能，优于远程监督方法和少样本 LLM 基准。它还有效地推广到单跳校正，并在嘈杂的证据下保持稳定，证明了其对现实世界事实校正的多功能性。