論文の概要: Text-based Question Answering from Information Retrieval and Deep Neural Network Perspectives: A Survey

• arxiv url: http://arxiv.org/abs/2002.06612v2
• Date: Wed, 27 May 2020 16:27:09 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-31 17:50:11.997040
• Title: Text-based Question Answering from Information Retrieval and Deep Neural Network Perspectives: A Survey
• Title（参考訳）: 情報検索とディープニューラルネットワークの観点からのテキストベース質問応答--調査
• Authors: Zahra Abbasiantaeb and Saeedeh Momtazi
• Abstract要約: テキストベースの質問回答(QA)は,ユーザの質問に対する簡潔な回答を見つけることを目的とした課題である。 本論文の主な焦点であるディープラーニングアプローチは,複数のレイヤの表現と質問とテキスト間の相互作用を学習する強力な技術を提供する。
• 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: Text-based Question Answering (QA) is a challenging task which aims at finding short concrete answers for users' questions. This line of research has been widely studied with information retrieval techniques and has received increasing attention in recent years by considering deep neural network approaches. Deep learning approaches, which are the main focus of this paper, provide a powerful technique to learn multiple layers of representations and interaction between questions and texts. In this paper, we provide a comprehensive overview of different models proposed for the QA task, including both traditional information retrieval perspective, and more recent deep neural network perspective. We also introduce well-known datasets for the task and present available results from the literature to have a comparison between different techniques.
• Abstract（参考訳）: テキストベースの質問回答(QA)は,ユーザの質問に対する簡潔な回答を見つけることを目的とした課題である。 この研究は情報検索技術で広く研究されており、深層ニューラルネットワークのアプローチを考えることで近年注目を集めている。 本論文の主な焦点であるディープラーニングアプローチは,複数のレイヤの表現と質問とテキスト間の相互作用を学習する強力な技術を提供する。 本稿では、従来の情報検索の視点と、より最近のディープニューラルネットワークの視点の両方を含む、QAタスクのために提案された様々なモデルの概要について述べる。 また、タスクのよく知られたデータセットを導入し、異なる手法の比較を行うために文献から利用可能な結果を提示する。

関連論文リスト

• 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)
• Surveying the Landscape of Text Summarization with Deep Learning: A Comprehensive Review [2.4185510826808487]
  ディープラーニングは、言語データの複雑な表現を学習できるモデルの開発を可能にすることによって、自然言語処理(NLP)に革命をもたらした。 NLPのディープラーニングモデルは、通常、大量のデータを使用してディープニューラルネットワークをトレーニングし、言語データ内のパターンと関係を学習する。 テキスト要約にディープラーニングを適用することは、テキスト要約タスクを実行するためにディープニューラルネットワークを使用することを指す。
  論文  参考訳（メタデータ） (2023-10-13T21:24:37Z)
• Automated Audio Captioning: an Overview of Recent Progress and New Challenges [56.98522404673527]
  自動音声キャプションは、与えられた音声クリップの自然言語記述を生成することを目的とした、モーダル横断翻訳タスクである。 本稿では、既存の様々なアプローチから評価指標やデータセットまで、自動音声キャプションにおけるコントリビューションの総合的なレビューを行う。
  論文  参考訳（メタデータ） (2022-05-12T08:36:35Z)
• Neural Architecture Search for Dense Prediction Tasks in Computer Vision [74.9839082859151]
  ディープラーニングは、ニューラルネットワークアーキテクチャエンジニアリングに対する需要の高まりにつながっている。 ニューラルネットワーク検索(NAS)は、手動ではなく、データ駆動方式でニューラルネットワークアーキテクチャを自動設計することを目的としている。 NASはコンピュータビジョンの幅広い問題に適用されている。
  論文  参考訳（メタデータ） (2022-02-15T08:06:50Z)
• Deep Image Deblurring: A Survey [165.32391279761006]
  低レベルのコンピュータビジョンにおいて、デブロアリングは古典的な問題であり、ぼやけた入力画像からシャープなイメージを復元することを目的としている。 近年のディープラーニングの進歩は、この問題の解決に大きな進歩をもたらした。
  論文  参考訳（メタデータ） (2022-01-26T01:31:30Z)
• A Graph-guided Multi-round Retrieval Method for Conversational Open-domain Question Answering [52.041815783025186]
  本稿では,会話のターン間の回答間の関係をモデル化するグラフ誘導検索手法を提案する。 また,検索コンテキストが現在の質問理解に与える影響を検討するために,マルチラウンド関連フィードバック手法を導入することを提案する。
  論文  参考訳（メタデータ） (2021-04-17T04:39:41Z)
• Contextualized Knowledge-aware Attentive Neural Network: Enhancing Answer Selection with Knowledge [77.77684299758494]
  ナレッジグラフ(KG)による外部知識による回答選択モデル向上のアプローチを幅広く検討しています。 まず、KGの外部知識とテキスト情報との密接な相互作用を考慮し、QA文表現を学習するコンテキスト知識相互作用学習フレームワークであるナレッジアウェアニューラルネットワーク(KNN)を紹介します。 KG情報の多様性と複雑性に対処するために, カスタマイズされたグラフ畳み込みネットワーク (GCN) を介して構造情報を用いた知識表現学習を改善し, コンテキストベースおよび知識ベースの文表現を総合的に学習する コンテキスト型知識認識型アテンシブニューラルネットワーク (CKANN) を提案する。
  論文  参考訳（メタデータ） (2021-04-12T05:52:20Z)
• Catalyzing Clinical Diagnostic Pipelines Through Volumetric Medical Image Segmentation Using Deep Neural Networks: Past, Present, & Future [0.0]
  本稿では,最先端(sota)ニューラルネットワークに基づくセグメンテーションアルゴリズムについて概説する。 また、効果的なディープラーニングベースのソリューションの臨床的意義を示す。
  論文  参考訳（メタデータ） (2021-03-27T19:05:11Z)
• Deep Image Retrieval: A Survey [21.209884703192735]
  深層学習による画像検索に焦点をあて, 深層ネットワーク構造の種類に応じて, 最先端の手法を整理する。 本調査は,カテゴリベースCBIR分野のグローバルな展望を促進することを目的とした,近年の多種多様な手法について考察する。
  論文  参考訳（メタデータ） (2021-01-27T09:32:58Z)
• Video Summarization Using Deep Neural Networks: A Survey [72.98424352264904]
  ビデオ要約技術は、ビデオコンテンツの最も有益な部分を選択して、簡潔で完全なシノプシスを作成することを目指しています。 本研究は,この領域における最近の進歩に着目し,既存の深層学習に基づく総括的映像要約手法の包括的調査を行う。
  論文  参考訳（メタデータ） (2021-01-15T11:41:29Z)
• Multi-document Summarization via Deep Learning Techniques: A Survey [29.431160110691607]
  ニューラルネットワークの設計戦略を要約する新しい分類法を提案する。 既存の文献ではめったに議論されない様々な目的関数の違いを強調した。
  論文  参考訳（メタデータ） (2020-11-10T00:35:46Z)

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。