論文の概要: Challenge Closed-book Science Exam: A Meta-learning Based Question Answering System

• arxiv url: http://arxiv.org/abs/2004.12303v1
• Date: Sun, 26 Apr 2020 07:43:30 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-09 12:50:14.461153
• Title: Challenge Closed-book Science Exam: A Meta-learning Based Question Answering System
• Title（参考訳）: 課題クローズドブック科学試験 : メタラーニングによる質問応答システム
• Authors: Xinyue Zheng, Peng Wang, Qigang Wang, Zhongchao Shi
• Abstract要約: 本稿では,システム1が直感的なメタ分類器であり,システム2が推論モジュールであるメタQAフレームワークを提案する。 提案手法は,AI2推論チャレンジ(ARC)において評価され,メタ分類器が出現する問題に対してかなりの分類性能を示すことを示す実験結果が得られた。
• 参考スコア（独自算出の注目度）: 7.228790381070109
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Prior work in standardized science exams requires support from large text corpus, such as targeted science corpus fromWikipedia or SimpleWikipedia. However, retrieving knowledge from the large corpus is time-consuming and questions embedded in complex semantic representation may interfere with retrieval. Inspired by the dual process theory in cognitive science, we propose a MetaQA framework, where system 1 is an intuitive meta-classifier and system 2 is a reasoning module. Specifically, our method based on meta-learning method and large language model BERT, which can efficiently solve science problems by learning from related example questions without relying on external knowledge bases. We evaluate our method on AI2 Reasoning Challenge (ARC), and the experimental results show that meta-classifier yields considerable classification performance on emerging question types. The information provided by meta-classifier significantly improves the accuracy of reasoning module from 46.6% to 64.2%, which has a competitive advantage over retrieval-based QA methods.
• Abstract（参考訳）: 標準化された科学試験における以前の研究は、Wikipediaのターゲット科学コーパスやSimpleWikipediaのような大きなテキストコーパスの支援を必要としていた。 しかし、大きなコーパスから知識を取得するのは時間がかかり、複雑な意味表現に埋め込まれた質問は検索を妨げる可能性がある。 認知科学における双対プロセス理論に触発されて,システム1は直感的なメタ分類器であり,システム2は推論モジュールであるメタqaフレームワークを提案する。 具体的には,メタラーニング手法と大規模言語モデル BERT に基づく手法により,外部知識ベースに頼ることなく,関連するサンプル質問から学習することで,科学的問題を効率的に解くことができる。 提案手法は,AI2推論チャレンジ(ARC)において評価され,メタ分類器が出現する問題に対してかなりの分類性能を示すことを示す実験結果が得られた。 メタ分類器によって提供される情報により、推論モジュールの精度が46.6%から64.2%に大幅に向上する。

関連論文リスト

• Towards Better Generalization in Open-Domain Question Answering by Mitigating Context Memorization [67.92796510359595]
  Open-Domain Question Answering (OpenQA)は、外部の大規模知識コーパスで事実質問に答えることを目的としている。 OpenQAモデルが完全に新しい知識ドメインにどの程度うまく移行できるかは、まだ不明である。 コーパス不変チューニング(CIT: Corpus-Invariant Tuning)は,記憶過剰な知識の軽減を目的とした,シンプルで効果的なトレーニング戦略である。
  論文  参考訳（メタデータ） (2024-04-02T05:44:50Z)
• DIVKNOWQA: Assessing the Reasoning Ability of LLMs via Open-Domain Question Answering over Knowledge Base and Text [73.68051228972024]
  大きな言語モデル(LLM)は印象的な生成能力を示すが、内部知識に依存すると幻覚に悩まされる。 検索拡張LDMは、外部知識においてLLMを基盤とする潜在的な解決策として出現している。
  論文  参考訳（メタデータ） (2023-10-31T04:37:57Z)
• ChatKBQA: A Generate-then-Retrieve Framework for Knowledge Base Question Answering with Fine-tuned Large Language Models [19.85526116658481]
  本稿では,新規かつ簡易な生成検索KBQAフレームワークであるChatKBQAを紹介する。 実験の結果,ChatKBQAは標準KBQAデータセット上で新たな最先端性能を実現することがわかった。 この研究は、LLMと知識グラフを組み合わせるための新しいパラダイムとして、解釈可能および知識要求型質問応答のパラダイムと見なすこともできる。
  論文  参考訳（メタデータ） (2023-10-13T09:45:14Z)
• Task Oriented Conversational Modelling With Subjective Knowledge [0.0]
  DSTC-11は、ターン検出、知識選択、応答生成を求める知識からなる3段階パイプラインを提案する。 本稿では,正確で高速な知識検索を実現するエンティティ検索手法を提案する。 予備的な結果から,知識選択作業における一致点の精度は4%向上した。
  論文  参考訳（メタデータ） (2023-03-30T20:23:49Z)
• UniKGQA: Unified Retrieval and Reasoning for Solving Multi-hop Question Answering Over Knowledge Graph [89.98762327725112]
  KGQA(Multi-hop Question Answering over Knowledge Graph)は、自然言語の質問で言及されているトピックエンティティから、複数のホップを持つ回答エンティティを見つけることを目的としている。 我々は、モデルアーキテクチャとパラメータ学習の両方において、検索と推論を統合することで、マルチホップKGQAタスクの新しいアプローチであるUniKGQAを提案する。
  論文  参考訳（メタデータ） (2022-12-02T04:08:09Z)
• Lila: A Unified Benchmark for Mathematical Reasoning [59.97570380432861]
  LILAは、23の多様なタスクと4次元からなる統一的な数学的推論ベンチマークである。 我々は,Pythonプログラムの形式でタスク命令とソリューションを収集することにより,20のデータセットベンチマークを拡張してベンチマークを構築した。 LILAで訓練された汎用数学的推論モデルであるBHASKARAを紹介する。
  論文  参考訳（メタデータ） (2022-10-31T17:41:26Z)
• Augmenting Pre-trained Language Models with QA-Memory for Open-Domain Question Answering [38.071375112873675]
  質問応答型エンコーダデコーダモデルの提案と事前学習戦略について述べる。 これにより、シングルホップのQAタスクにおいて、以前のQA検索方法よりも優れたエンドツーエンドシステムが得られる。
  論文  参考訳（メタデータ） (2022-04-10T02:33:00Z)
• Improving Commonsense Question Answering by Graph-based Iterative Retrieval over Multiple Knowledge Sources [26.256653692882715]
  疑問に答えるシステムにおいて、コモンセンスを効果的に活用する方法はまだ検討中である。 本研究では,ConceptNet,Wikipedia,Cambridge Dictionaryを統合した質問応答手法を提案する。 学習済みの言語モデルを用いて、質問を符号化し、知識と選択を検索し、回答の選択を意識した注意機構を提案する。
  論文  参考訳（メタデータ） (2020-11-05T08:50:43Z)
• Retrieve, Program, Repeat: Complex Knowledge Base Question Answering via Alternate Meta-learning [56.771557756836906]
  本稿では,弱い監督からプログラマと交互に検索モデルを自動的に学習する手法を提案する。 本システムでは,知識ベースに対する複雑な質問応答を行う大規模タスクにおいて,最先端のパフォーマンスを実現する。
  論文  参考訳（メタデータ） (2020-10-29T18:28:16Z)
• Fast Few-Shot Classification by Few-Iteration Meta-Learning [173.32497326674775]
  数ショット分類のための高速な最適化に基づくメタラーニング手法を提案する。 我々の戦略はメタ学習において学習すべき基礎学習者の目的の重要な側面を可能にする。 我々は、我々のアプローチの速度と効果を実証し、総合的な実験分析を行う。
  論文  参考訳（メタデータ） (2020-10-01T15:59:31Z)

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。