Fugu-MT 論文翻訳(概要): A Study of the Tasks and Models in Machine Reading Comprehension

論文の概要: A Study of the Tasks and Models in Machine Reading Comprehension

arxiv url: http://arxiv.org/abs/2001.08635v1
Date: Thu, 23 Jan 2020 16:11:44 GMT
ステータス: 処理完了
システム内更新日: 2023-01-07 12:37:51.199064
Title: A Study of the Tasks and Models in Machine Reading Comprehension
Title（参考訳）: 機械読解における課題とモデルに関する研究
Authors: Chao Wang
Abstract要約: 本報告では, 単純推論および複雑なMRCタスクについて概説する。また、将来の研究のためのオープンな問題も提案している。
参考スコア（独自算出の注目度）: 3.6985039575807246
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: To provide a survey on the existing tasks and models in Machine Reading Comprehension (MRC), this report reviews: 1) the dataset collection and performance evaluation of some representative simple-reasoning and complex-reasoning MRC tasks; 2) the architecture designs, attention mechanisms, and performance-boosting approaches for developing neural-network-based MRC models; 3) some recently proposed transfer learning approaches to incorporating text-style knowledge contained in external corpora into the neural networks of MRC models; 4) some recently proposed knowledge base encoding approaches to incorporating graph-style knowledge contained in external knowledge bases into the neural networks of MRC models. Besides, according to what has been achieved and what are still deficient, this report also proposes some open problems for the future research.
Abstract（参考訳）: MRC(Machine Reading Comprehension)における既存のタスクとモデルに関する調査について、このレポートは以下の通りである。 1) 代表的な単純推論及び複雑推論型MRCタスクのデータセット収集と性能評価 2) ニューラルネットワークに基づくmrcモデル開発のためのアーキテクチャ設計,注目機構,パフォーマンスブースティング手法 3) 最近提案されている,外部コーパスに含まれるテキスト型知識をmrcモデルのニューラルネットワークに組み込むトランスファー学習手法 4) MRCモデルのニューラルネットワークに外部知識ベースに含まれるグラフスタイルの知識を組み込むための知識ベース符号化手法を提案する。また, 達成されたこと, まだ不十分なことなどから, 本報告では, 今後の研究の課題も提示する。

関連論文リスト

Retrieval-Enhanced Machine Learning: Synthesis and Opportunities [60.34182805429511]
検索エンハンスメントは機械学習(ML)の幅広い範囲に拡張できるこの研究は、MLの様々な領域の文献を、現在の文献から欠落している一貫した表記で合成することで、このパラダイムの正式なフレームワークであるRetrieval-Enhanced Machine Learning (REML)を導入する。本研究の目的は、様々な分野の研究者に対して、検索強化モデルの包括的、正式に構造化された枠組みを付与し、学際的な将来の研究を促進することである。
論文参考訳（メタデータ） (2024-07-17T20:01:21Z)
Masked Modeling for Self-supervised Representation Learning on Vision and Beyond [69.64364187449773]
仮面モデリングは、トレーニング中に比例的にマスキングされる元のデータの一部を予測する、独特なアプローチとして現れてきた。マスクモデリングにおけるテクニックの詳細については,多様なマスキング戦略,ターゲット回復,ネットワークアーキテクチャなどについて詳述する。我々は、現在の手法の限界について議論し、マスクモデリング研究を進めるためのいくつかの道のりを指摘した。
論文参考訳（メタデータ） (2023-12-31T12:03:21Z)
Rule-Extraction Methods From Feedforward Neural Networks: A Systematic Literature Review [1.1510009152620668]
ルールは、ニューラルネットワークを説明する透過的で直感的な手段を提供する。この研究は、特にフィードフォワードネットワークに教師付き学習とクリップルールで対処する。今後の作業は、他のネットワークタイプ、機械学習メソッド、ファジィルール抽出にまで拡張できる。
論文参考訳（メタデータ） (2023-12-20T09:40:07Z)
Relational Concept Bottleneck Models [13.311396882130033]
概念ボトルネックモデル(CBM)は問題を解決するために設計されていない。 R-CBMは標準CBMとリレーショナルGNNの両方を表現できる。特に,R-CBMが概念に基づく説明の生成を支援することを示す。
論文参考訳（メタデータ） (2023-08-23T08:25:33Z)
Information Screening whilst Exploiting! Multimodal Relation Extraction with Feature Denoising and Multimodal Topic Modeling [96.75821232222201]
既存のマルチモーダル関係抽出(MRE)研究は、内部情報過剰利用と外部情報過多という2つの共存課題に直面している。内部情報スクリーニングと外部情報活用を同時に実現する新しいフレームワークを提案する。
論文参考訳（メタデータ） (2023-05-19T14:56:57Z)
Retrieval-Enhanced Machine Learning [110.5237983180089]
本稿では,いくつかの既存モデルを含む汎用的な検索強化機械学習フレームワークについて述べる。 REMLは情報検索の慣例に挑戦し、最適化を含む中核領域における新たな進歩の機会を提示している。 REMLリサーチアジェンダは、情報アクセス研究の新しいスタイルの基礎を築き、機械学習と人工知能の進歩への道を開く。
論文参考訳（メタデータ） (2022-05-02T21:42:45Z)
Entity-Conditioned Question Generation for Robust Attention Distribution in Neural Information Retrieval [51.53892300802014]
教師付きニューラル情報検索モデルでは,通過トークンよりも疎注意パターンを学習することが困難であることを示す。目的とする新しい合成データ生成手法を用いて、与えられた通路内の全てのエンティティに対して、より均一で堅牢な参加をニューラルIRに教える。
論文参考訳（メタデータ） (2022-04-24T22:36:48Z)
MOOCRep: A Unified Pre-trained Embedding of MOOC Entities [4.0963355240233446]
我々はMOOCの構造から豊富なラベルのないデータを用いてMOOCエンティティの事前訓練された表現を学習することを提案する。実験の結果,MOOCRepの埋め込みは,教育コミュニティにとって重要な2つの課題において,最先端の表現学習方法よりも優れていることがわかった。
論文参考訳（メタデータ） (2021-07-12T00:11:25Z)
Deep brain state classification of MEG data [2.9048924265579124]
本稿では、Human Connectome Project(HCP)が提供するMEGデータと、様々な深層ニューラルネットワークモデルを組み合わせて脳復号を行う。
論文参考訳（メタデータ） (2020-07-02T05:51:57Z)
Closed Loop Neural-Symbolic Learning via Integrating Neural Perception, Grammar Parsing, and Symbolic Reasoning [134.77207192945053]
従来の手法は強化学習アプローチを用いてニューラルシンボリックモデルを学ぶ。我々は,脳神経知覚と記号的推論を橋渡しする前に,textbfgrammarモデルをテキストシンボリックとして導入する。本稿では,トップダウンのヒューマンライクな学習手順を模倣して誤りを伝播する新しいtextbfback-searchアルゴリズムを提案する。
論文参考訳（メタデータ） (2020-06-11T17:42:49Z)
Dynamic Knowledge embedding and tracing [18.717482292051788]
本稿では,行列分解の手法と最近のリカレントニューラルネットワーク(RNN)の進歩を組み合わせた知識追跡手法を提案する。提案するemphDynEmbフレームワークは,概念やスキルのタグ情報を使わずに,学生の知識の追跡を可能にする。
論文参考訳（メタデータ） (2020-05-18T21:56:42Z)

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。