نحن نركز على نوع من المنطق الرسمي اللغوي حيث يكون الهدف هو السبب في معرفة واضحة في شكل حقائق وقواعد لغوية طبيعية (كلارك وآخرون، 2020). يعمل عمل مؤخرا، يدعى Prover (Saha et al.، 2020)، من المنطق من خلال الإجابة على سؤال ويولد أيضا رسم بياني إثبات يشرح
الجواب. ومع ذلك، فإن المنطق التركيبي ليس فريدا دائما وقد يكون هناك طرق متعددة للتوصل إلى الإجابة الصحيحة. وهكذا، في عملنا، نتعامل مع مشكلة جديدة وصعبة لتوليد رسوم بيانية إثبات متعددة للمناسبة في قواعد قواعد اللغة الطبيعية. يوفر كل دليل على الأساس المنطقي مختلف للإجابة، وبالتالي تحسين إمكانية تفسير أنظمة المنطق هذه. من أجل التعلم المشترك من جميع الرسوم البيانية المقررة واستغلال الارتباط بين البراهين المتعددة لسؤال، نطرح هذه المهمة كمشكلة توليد محددة على مساحات الإخراج المنظمة حيث يتم تمثيل كل دليل كشركة بيانية موجهة. نقترح اثنين من المتغيرات لطراز جيل مجموعة دليل، Multiprover. ينشئ النموذج الأول لدينا، Multilabel-multiprover، مجموعة من البراهين عبر تصنيف العلامات المتعددة والتكييف الضمني بين البراهين؛ في حين أن النموذج الثاني، Multrive-multriver، يولد دليلا بشكل مثالي من خلال تكييف صريح على البراهين التي تم إنشاؤها مسبقا. تكشف التجارب على مجموعات البيانات الاصطناعية الصفرية، والصفرية، وإشعال مجموعات البيانات، أن كلا من طرازات Multiprover Upperform بشكل كبير تفوق Prover على مجموعات البيانات التي تحتوي على برائق ذهبية متعددة. يحصل Merriative-MultiProver على أحدث دليل على السيناريوهات التي تتميز بالرصاص حيث تحتوي جميع الأمثلة على براهين صحيحة واحدة. كما تعمم بشكل أفضل للأسئلة التي تتطلب أعماق أعلى من التفكير حيث تكون البراهين المتعددة أكثر تواترا.
