Mask-to-Correct$^+$：利用 检索器 多样性进行掩蔽引导的忠实事实纠正

社交媒体上错误信息的迅速传播凸显了对强大的、自动的事实纠正框架的需求。然而，现有的工作依赖于手动注释的主张证据对的监督学习，这些主张证据对稀缺且容易产生偏差，限制了它们跨领域的泛化。此外，这些方法在纠正过程中忽略了语义 忠实性。为了应对这些挑战，我们提出了 Mask-to-Correct (M$_2$C)，这是一种基于 无需训练、仅推理检索增强生成 (RAG) 的框架，该框架利用多样性感知屏蔽来识别错误的声明范围，并使用检索到的证据评估纠正的 忠实性。然而，RAG 的有效性在很大程度上取决于 检索器 的选择，这可能因查询而异。为了缓解这个问题，我们进一步引入了 M$_2$C$^+$，这是一个基于集成的框架，它结合了多个排名器的校正，以减少检索偏差并提高鲁棒性。对基准数据集的大量实验表明，我们提出的框架始终优于所有基线，在不使用人工参考证据的情况下，SARI 分数提高了 14%。