論文の概要: GenNet : Reading Comprehension with Multiple Choice Questions using
Generation and Selection model
- arxiv url: http://arxiv.org/abs/2003.04360v2
- Date: Wed, 18 Mar 2020 06:49:32 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-26 21:50:20.732903
- Title: GenNet : Reading Comprehension with Multiple Choice Questions using
Generation and Selection model
- Title（参考訳）: GenNet : ジェネレーションとセレクションモデルを用いた複数選択質問の読解
- Authors: Vaishali Ingale, Pushpender Singh
- Abstract要約: 候補または可能なオプションのセットから正しいオプションを選択するために必要なマシンであるため、マルチ選択マシン読み取りの理解は難しい。
本稿では、ニューラルネットワークベースのモデルであるGenNetモデルを提案する。
このモデルでは、まずその文から質問の答えを生成し、それから生成された回答と与えられた回答とを一致させる。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Multiple-choice machine reading comprehension is difficult task as its
required machines to select the correct option from a set of candidate or
possible options using the given passage and question.Reading Comprehension
with Multiple Choice Questions task,required a human (or machine) to read a
given passage, question pair and select the best one option from n given
options. There are two different ways to select the correct answer from the
given passage. Either by selecting the best match answer to by eliminating the
worst match answer. Here we proposed GenNet model, a neural network-based
model. In this model first we will generate the answer of the question from the
passage and then will matched the generated answer with given answer, the best
matched option will be our answer. For answer generation we used S-net (Tan et
al., 2017) model trained on SQuAD and to evaluate our model we used Large-scale
RACE (ReAding Comprehension Dataset From Examinations) (Lai et al.,2017).
- Abstract（参考訳）: 複数選択機械読解は, 与えられた項目と質問項目から正しい選択肢を選択するために必要な機械として困難な作業であり, 複数選択問合せタスクによる理解を読み, 与えられた項目, 質問ペア, 与えられた選択肢から最適な選択肢を選択するための人間(または機械)を検索する。
与えられた節から正しい答えを選択するには2つの異なる方法がある。
最悪の解答を排除して、ベストマッチの解答を選択する。
本稿では、ニューラルネットワークベースのモデルであるGenNetモデルを提案する。
このモデルでは、まずその文から質問の答えを生成し、それから生成された回答と与えられた回答とを一致させる。
回答生成にはS-net(Tan et al., 2017)モデルをSQuADでトレーニングし,そのモデルを評価するために大規模RAS(ReAding Comprehension Dataset From Examinations)(Lai et al., 2017)を使用しました。
関連論文リスト
- Differentiating Choices via Commonality for Multiple-Choice Question Answering [54.04315943420376]
複数選択の質問応答は、正しい答えを選択するための貴重な手がかりを提供することができる。
既存のモデルでは、それぞれの選択を別々にランク付けし、他の選択によって提供されるコンテキストを見渡すことが多い。
本稿では,DCQAと呼ばれる共通性を識別・排除することで,選択を識別する新しいモデルを提案する。
論文 参考訳（メタデータ） (2024-08-21T12:05:21Z) - Enhancing Answer Selection in Community Question Answering with
Pre-trained and Large Language Models [0.9065034043031668]
まず,質問応答型クロスアテンションネットワーク(QAN)を提案する。
次に,大規模言語モデル(LLM)を用いて,知識拡張による回答選択を行う。
実験の結果、QANモデルが2つのデータセット、SemEval2015とSemEval 2017の最先端のパフォーマンスを示している。
論文 参考訳（メタデータ） (2023-11-29T10:24:50Z) - Improving Question Generation with Multi-level Content Planning [70.37285816596527]
本稿では、与えられたコンテキストと回答から質問を生成する問題に対処し、特に拡張されたコンテキストをまたいだマルチホップ推論を必要とする質問に焦点をあてる。
具体的には、キーフレーズを同時に選択して完全な回答を生成するFA-modelと、生成した全回答を付加的な入力として取り込んだQ-modelの2つのコンポーネントを含む。
論文 参考訳（メタデータ） (2023-10-20T13:57:01Z) - Two is Better than Many? Binary Classification as an Effective Approach
to Multi-Choice Question Answering [43.35258958775454]
正のインスタンスと正のインスタンスと負のインスタンスとを分類することは、さまざまなモデルやデータセットにおいて、はるかに効果的であることを示す。
当社のDeBERTaバイナリ分類モデルは、さまざまなタスクのための公開リーダボードの上位あるいは上位に到達します。
論文 参考訳（メタデータ） (2022-10-29T05:11:45Z) - Knowledge Transfer from Answer Ranking to Answer Generation [97.38378660163414]
我々は、訓練されたAS2モデルから知識を伝達することで、GenQAモデルをトレーニングすることを提案する。
また,AS2モデル予測スコアを損失重み付けおよびスコア条件付き入出力整形に用いることを提案する。
論文 参考訳（メタデータ） (2022-10-23T21:51:27Z) - MixQG: Neural Question Generation with Mixed Answer Types [54.23205265351248]
このギャップを埋めるために、ニューラル質問生成器MixQGを提案する。
yes/no, multiple-choice, extractive, abstractive answerなど,9つの質問応答データセットと多様な回答タイプを組み合わせる。
私たちのモデルは、目に見えない領域と見えない領域の両方で、既存の作業より優れています。
論文 参考訳（メタデータ） (2021-10-15T16:03:40Z) - 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) - Generating Correct Answers for Progressive Matrices Intelligence Tests [88.78821060331582]
Ravenのプログレッシブマトリクス(Progressive Matrices)は、複数選択のインテリジェンステストである。
このテストに対処する以前の試みは、複数の選択肢の中から正しい回答を選択することに集中していました。
この作業では、代わりに、定義によって難しいタスクである選択を見ることなく、グリッドに与えられた正しい回答を生成することに焦点を合わせます。
論文 参考訳（メタデータ） (2020-11-01T13:21:07Z)
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。