論文の概要: UNCC Biomedical Semantic Question Answering Systems. BioASQ: Task-7B, Phase-B

• arxiv url: http://arxiv.org/abs/2002.01984v1
• Date: Wed, 5 Feb 2020 20:43:14 GMT
• ステータス: 処理完了
• システム内更新日: 2023-01-03 21:47:50.671065
• Title: UNCC Biomedical Semantic Question Answering Systems. BioASQ: Task-7B, Phase-B
• Title（参考訳）: UNCC バイオメディカルセマンティック質問応答システム BioASQ: Task-7B, Phase-B
• Authors: Sai Krishna Telukuntla, Aditya Kapri and Wlodek Zadrozny
• Abstract要約: 本稿では,タスク7b,フェーズB,実行解答タスクについて述べる。 これらの質問回答(QA)タスクには、Factoid、Yes/No、List Type Questioningなどが含まれる。 本システムは文脈単語埋め込みモデルに基づく。
• 参考スコア（独自算出の注目度）: 1.976652238476722
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In this paper, we detail our submission to the 2019, 7th year, BioASQ competition. We present our approach for Task-7b, Phase B, Exact Answering Task. These Question Answering (QA) tasks include Factoid, Yes/No, List Type Question answering. Our system is based on a contextual word embedding model. We have used a Bidirectional Encoder Representations from Transformers(BERT) based system, fined tuned for biomedical question answering task using BioBERT. In the third test batch set, our system achieved the highest MRR score for Factoid Question Answering task. Also, for List type question answering task our system achieved the highest recall score in the fourth test batch set. Along with our detailed approach, we present the results for our submissions, and also highlight identified downsides for our current approach and ways to improve them in our future experiments.
• Abstract（参考訳）: 本稿では,2019年,7年,BioASQコンペティションへの応募について詳述する。 本稿では,タスク7b,フェーズB,実行解答タスクを提案する。 これらの質問回答(QA)タスクには、Factoid、Yes/No、List Type Questioningなどがある。 本システムは文脈単語埋め込みモデルに基づいている。 我々は,BioBERTを用いたバイオメディカル質問応答タスクのために微調整された変換器(BERT)に基づく双方向エンコーダ表現を用いた。 第3のテストバッチセットでは,本システムはファクトイド質問応答タスクにおいて最も高いmrrスコアを得た。 また,リスト型質問応答タスクでは,第4テストバッチセットのリコールスコアが最も高かった。 当社の詳細なアプローチに加えて,提案の成果を提示するとともに,現在のアプローチの欠点と今後の実験でそれらを改善する方法を強調します。

関連論文リスト

• Using Pretrained Large Language Model with Prompt Engineering to Answer Biomedical Questions [1.0742675209112622]
  事前学習型大言語モデル(LLM)に基づく2段階情報検索と質問応答システムを提案する。 テキスト内数ショットの例でプロンプトを構築し、再サンプリングや不正な応答検出などの後処理技術を利用する。 本システムでは,文書検索における0.14 MAPスコア,スニペット検索における0.05 MAPスコア,イエス/ノー質問に対する0.96 F1スコア,ファクトイド質問に対する0.38 MRRスコア,タスク12bにおけるリスト質問に対する0.50 F1スコアを達成した。
  論文  参考訳（メタデータ） (2024-07-09T11:48:49Z)
• Medical Question Understanding and Answering with Knowledge Grounding and Semantic Self-Supervision [53.692793122749414]
  本稿では,知識基盤とセマンティック・セルフスーパービジョンを備えた医療質問理解・回答システムについて紹介する。 我々のシステムは、まず、教師付き要約損失を用いて、長い医学的、ユーザによる質問を要約するパイプラインである。 システムはまず、信頼された医療知識ベースから要約されたユーザ質問とFAQとをマッチングし、対応する回答文書から一定の数の関連文を検索する。
  論文  参考訳（メタデータ） (2022-09-30T08:20:32Z)
• Query-focused Extractive Summarisation for Biomedical and COVID-19 Complex Question Answering [0.0]
  本稿では,最近の2つのBioASQ Synergy Tasksへのマッコーリー大学の参加について述べる。 本稿では, 問合せに焦点を絞った抽出要約手法を適用し, 生体医学的問題に対する複雑な回答を生成する。 The Synergy task, we selected the candidate sentences following two phases: document search and snippet search。 そこで本研究では,BioASQ10bトレーニングデータの下半期にトレーニングを行った結果の改善について検討した。
  論文  参考訳（メタデータ） (2022-09-05T07:56:44Z)
• Double Retrieval and Ranking for Accurate Question Answering [120.69820139008138]
  本研究では,トランスフォーマーを用いた解答選択モデルに導入された解答検証ステップが,問合せ解答における解答の精度を大幅に向上させることを示す。 AS2のためのよく知られた3つのデータセットの結果は、最先端の一貫性と大幅な改善を示している。
  論文  参考訳（メタデータ） (2022-01-16T06:20:07Z)
• Transformer-based Language Models for Factoid Question Answering at BioASQ9b [0.0]
  バイオマスQタスク9b フェーズBにおけるバイオメディカル質問応答実験と参加システムについて述べる。 事実不明の質問に対して、ALBERTベースのシステムはテストバッチ1で1位、テストバッチ2で4位にランクインした。 我々のDistilBERTシステムは、ALBERTよりもパラメータが81%少ないにもかかわらず、テストバッチ4、5でALBERTの変種よりも優れていた。
  論文  参考訳（メタデータ） (2021-09-15T10:01:06Z)
• Will this Question be Answered? Question Filtering via Answer Model Distillation for Efficient Question Answering [99.66470885217623]
  本稿では,質問回答システム(QA)の効率向上に向けた新しいアプローチを提案する。 最新のQAシステムの回答信頼性スコアは、入力された質問テキストのみを使用してモデルによってうまく近似することができる。
  論文  参考訳（メタデータ） (2021-09-14T23:07:49Z)
• Query-Focused Extractive Summarisation for Finding Ideal Answers to Biomedical and COVID-19 Questions [7.6997148655751895]
  マカリー大学はBioASQ Synergy TaskとBioASQ9b Phase Bに参加した。 我々は,BioASQ8bのトレーニングデータセットを用いて,問合せに着目した要約システムを用いた。 システムによって回収された文書やスニペットの質が低かったことを踏まえ,回答の質は適度に良好であった。
  論文  参考訳（メタデータ） (2021-08-27T09:19:42Z)
• Answer Generation for Retrieval-based Question Answering Systems [80.28727681633096]
  シーケンス・トゥ・シークエンス・トランスモデルを訓練し、候補集合から解を生成する。 英語のAS2データセットを3つ比較したところ, 精度は32点まで向上した。
  論文  参考訳（メタデータ） (2021-06-02T05:45:49Z)
• ISCAS at SemEval-2020 Task 5: Pre-trained Transformers for Counterfactual Statement Modeling [48.3669727720486]
  ISCASはSemEval 2020 Task 5の2つのサブタスクに参加した。 本稿では,事前学習したトランスをベースとしたシステムについて述べる。
  論文  参考訳（メタデータ） (2020-09-17T09:28:07Z)
• Transferability of Natural Language Inference to Biomedical Question Answering [17.38537039378825]
  生物医学的質問応答(QA)への自然言語推論(NLI)の知識伝達にBioBERTを適用することに注力する。 NLIデータセットでトレーニングされたBioBERTは、Yes/No(+5.59%)、Factoid(+0.53%)、List type(+13.58%)でより良いパフォーマンスを得る。 第8回 BioASQ Challenge (Phase B) において, 良好に機能するシーケンシャルトランスファー学習法を提案する。
  論文  参考訳（メタデータ） (2020-07-01T04:05:48Z)
• 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。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。