Fugu-MT 論文翻訳(概要): Question Classification with Deep Contextualized Transformer

論文の概要: Question Classification with Deep Contextualized Transformer

arxiv url: http://arxiv.org/abs/1910.10492v3
Date: Tue, 11 Jun 2024 05:59:08 GMT
ステータス: 処理完了
システム内更新日: 2024-06-16 18:08:02.241523
Title: Question Classification with Deep Contextualized Transformer
Title（参考訳）: Deep Contextualized Transformer を用いた質問分類
Authors: Haozheng Luo, Ningwei Liu, Charles Feng,
Abstract要約: そこで我々は,Deep Contextualized Transformer を用いて質問・回答問題に対処する新しい手法を開発した。また、SQuADおよびSwDAデータセットの広範囲な評価を行い、産業ニーズのQA問題分類よりも大幅に改善されたことを示す。
参考スコア（独自算出の注目度）: 0.0
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: The latest work for Question and Answer problems is to use the Stanford Parse Tree. We build on prior work and develop a new method to handle the Question and Answer problem with the Deep Contextualized Transformer to manage some aberrant expressions. We also conduct extensive evaluations of the SQuAD and SwDA dataset and show significant improvement over QA problem classification of industry needs. We also investigate the impact of different models for the accuracy and efficiency of the problem answers. It shows that our new method is more effective for solving QA problems with higher accuracy
Abstract（参考訳）: 質問と回答に関する最新の作業は、Stanford Parse Treeを使用することだ。我々は,事前の作業に基づいて,Deep Contextualized Transformerを用いて質問・回答問題に対処する新しい手法を開発し,いくつかの異常表現を管理する。また、SQuADおよびSwDAデータセットの広範囲な評価を行い、産業ニーズのQA問題分類よりも大幅に改善されたことを示す。また,問題解の精度と効率性に対する異なるモデルの影響についても検討する。本手法はより高精度でQA問題の解法に有効であることを示す。

関連論文リスト

FusionMind -- Improving question and answering with external context fusion [0.0]
事前学習言語モデル(LM)と知識グラフ(KG)を用いて,文脈知識が質問応答目標(QA)に与える影響を検討した。知識事実のコンテキストを取り入れることで、パフォーマンスが大幅に向上することがわかった。このことは、文脈的知識事実の統合が、質問応答のパフォーマンスを高める上でより影響があることを示唆している。
論文参考訳（メタデータ） (2023-12-31T03:51:31Z)
SQUARE: Automatic Question Answering Evaluation using Multiple Positive and Negative References [73.67707138779245]
SQuArE (Sentence-level QUestion AnsweRing Evaluation) という新しい評価指標を提案する。文レベルの抽出(回答選択)と生成(GenQA)の両方のQAシステムでSQuArEを評価する。
論文参考訳（メタデータ） (2023-09-21T16:51:30Z)
Improving Visual Question Answering Models through Robustness Analysis and In-Context Learning with a Chain of Basic Questions [70.70725223310401]
本研究は,VQAモデルのロバスト性を評価するために,基本質問と呼ばれる意味的関連質問を利用する新しい手法を提案する。実験により,提案手法はVQAモデルのロバスト性を効果的に解析することを示した。
論文参考訳（メタデータ） (2023-04-06T15:32:35Z)
Reinforced Question Rewriting for Conversational Question Answering [25.555372505026526]
対話型質問を自己完結型質問に書き換えるモデルを開発した。既存のシングルターンQAシステムを使用することで、CQAモデルをスクラッチからトレーニングすることを回避することができる。我々は、強化学習による書き換えモデルの監督にQAフィードバックを用いることを提案する。
論文参考訳（メタデータ） (2022-10-27T21:23:36Z)
QA Domain Adaptation using Hidden Space Augmentation and Self-Supervised Contrastive Adaptation [24.39026345750824]
質問応答(QA)は、最近、カスタマイズされたドメインからの質問に答えるための印象的な結果を示している。しかし、一般的な課題は、QAモデルを目に見えないターゲットドメインに適応させることである。我々はQAドメイン適応のためのQADAと呼ばれる新しい自己教師型フレームワークを提案する。
論文参考訳（メタデータ） (2022-10-19T19:52:57Z)
Modern Question Answering Datasets and Benchmarks: A Survey [5.026863544662493]
質問回答(QA)は、自然言語処理(NLP)の最も重要なタスクの一つである。 NLP技術を用いて、大量の非構造化コーパスに基づいて、与えられた質問に対する対応する回答を生成することを目的としている。本稿では,ディープラーニングの時代にリリースされた,影響力あるQAデータセットについて検討する。
論文参考訳（メタデータ） (2022-06-30T05:53:56Z)
Improving the Question Answering Quality using Answer Candidate Filtering based on Natural-Language Features [117.44028458220427]
本稿では,質問応答(QA)の品質をいかに改善できるかという課題に対処する。私たちの主な貢献は、QAシステムが提供する間違った回答を識別できるアプローチです。特に,提案手法は誤答の大部分を除去しつつ,その可能性を示した。
論文参考訳（メタデータ） (2021-12-10T11:09:44Z)
How to Build Robust FAQ Chatbot with Controllable Question Generator? [5.680871239968297]
本稿では, セマンティックグラフを用いて, 高い品質, 多様性, 制御可能なサンプルを生成する手法を提案する。流動的でセマンティックに生成されたQAペアは、我々の通過検索モデルをうまく騙すことができる。生成されたデータセットは、新しいターゲット領域へのQAモデルの一般化性を向上させる。
論文参考訳（メタデータ） (2021-11-18T12:54:07Z)
Tell Me How to Ask Again: Question Data Augmentation with Controllable Rewriting in Continuous Space [94.8320535537798]
機械読解(MRC)、質問生成、質問答え自然言語推論タスクのための制御可能な書き換えベースの質問データ拡張(CRQDA)。質問データ拡張タスクを制約付き質問書き換え問題として扱い、コンテキスト関連、高品質、多様な質問データサンプルを生成する。
論文参考訳（メタデータ） (2020-10-04T03:13:46Z)
Generating Diverse and Consistent QA pairs from Contexts with Information-Maximizing Hierarchical Conditional VAEs [62.71505254770827]
非構造化テキストを文脈として与えられたQAペアを生成するための条件付き変分オートエンコーダ(HCVAE)を提案する。我々のモデルは、トレーニングにわずかなデータしか使わず、両方のタスクの全てのベースラインに対して印象的なパフォーマンス向上が得られる。
論文参考訳（メタデータ） (2020-05-28T08:26:06Z)
Harvesting and Refining Question-Answer Pairs for Unsupervised QA [95.9105154311491]
教師なし質問回答(QA)を改善するための2つのアプローチを提案する。まず、ウィキペディアから語彙的・構文的に異なる質問を抽出し、質問応答対のコーパスを自動的に構築する(RefQAと名づけられる)。第2に、より適切な回答を抽出するためにQAモデルを活用し、RefQA上でデータを反復的に洗練する。
論文参考訳（メタデータ） (2020-05-06T15:56:06Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。