論文の概要: What-if I ask you to explain: Explaining the effects of perturbations in procedural text

• arxiv url: http://arxiv.org/abs/2005.01526v2
• Date: Thu, 8 Oct 2020 01:16:34 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-07 00:45:57.600533
• Title: What-if I ask you to explain: Explaining the effects of perturbations in procedural text
• Title（参考訳）: 説明をお願いします:手続きテキストにおける摂動の影響を説明する
• Authors: Dheeraj Rajagopal, Niket Tandon, Bhavana Dalvi, Peter Clark, Eduard Hovy
• Abstract要約: 手続き文における摂動の影響を説明するタスクに対処する。 本稿では,このような説明を段落から構築する QUARTET について述べる。 我々のモデルは、下流QAタスクに対して7%の絶対的なF1改善を施した新しいSOTAも達成します。
• 参考スコア（独自算出の注目度）: 27.95671822735063
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We address the task of explaining the effects of perturbations in procedural text, an important test of process comprehension. Consider a passage describing a rabbit's life-cycle: humans can easily explain the effect on the rabbit population if a female rabbit becomes ill -- i.e., the female rabbit would not become pregnant, and as a result not have babies leading to a decrease in rabbit population. We present QUARTET, a system that constructs such explanations from paragraphs, by modeling the explanation task as a multitask learning problem. QUARTET provides better explanations (based on the sentences in the procedural text) compared to several strong baselines on a recent process comprehension benchmark. We also present a surprising secondary effect: our model also achieves a new SOTA with a 7% absolute F1 improvement on a downstream QA task. This illustrates that good explanations do not have to come at the expense of end task performance.
• Abstract（参考訳）: プロセス理解の重要なテストである手続き文における摂動の影響を説明するタスクに対処する。 ウサギが病気になった場合、人間はウサギの個体数への影響を簡単に説明できる。つまり、雌ウサギは妊娠せず、その結果、ウサギの個体数は減少する。 本稿では,説明課題をマルチタスク学習問題としてモデル化することで,段落からそのような説明を構築するシステムであるQUARTETを提案する。 QUARTETは、最近のプロセス理解ベンチマークにおけるいくつかの強いベースラインと比較して、より良い説明(手続きテキストの文に基づく)を提供する。 我々のモデルは、下流QAタスクに対して7%の絶対的なF1改善を施した新しいSOTAも達成します。 これは、良い説明は、エンドタスクのパフォーマンスを犠牲にする必要がなくなることを示している。

関連論文リスト

• A Cat Is A Cat (Not A Dog!): Unraveling Information Mix-ups in Text-to-Image Encoders through Causal Analysis and Embedding Optimization [19.174687500622976]
  本稿では,テキスト・ツー・イメージ拡散モデル(T2I)のテキストエンコーダにおける因果的方法の影響を解析する。 本稿では,既存の手法よりも高精度に情報損失を定量化する新しい自動評価指標を提案する。
  論文  参考訳（メタデータ） (2024-10-01T01:41:23Z)
• Improving Faithfulness of Abstractive Summarization by Controlling Confounding Effect of Irrelevant Sentences [38.919090721583075]
  事実整合性は、共同創設者として機能する入力テキストの無関係な部分によって引き起こされる可能性があることを示す。 そこで我々は,人間が記述した関連文を利用できる場合に利用することにより,そのような欠点を抑えるためのシンプルなマルチタスクモデルを設計する。 提案手法は,AnswerSumm citepfabbri 2021answersummデータセットの強いベースラインに対して,忠実度スコアを20%向上させる。
  論文  参考訳（メタデータ） (2022-12-19T18:51:06Z)
• NELLIE: A Neuro-Symbolic Inference Engine for Grounded, Compositional, and Explainable Reasoning [59.16962123636579]
  本稿では,Prologベースの推論エンジンを新たに提案する。 我々は手作りのルールを、ニューラルネットワークモデリング、ガイド付き生成、半密検索の組み合わせで置き換える。 我々の実装であるNELLIEは、完全に解釈可能なエンドツーエンドの基底QAを示す最初のシステムである。
  論文  参考訳（メタデータ） (2022-09-16T00:54:44Z)
• Robustness of Explanation Methods for NLP Models [5.191443390565865]
  説明手法は、ニューラルネットワークの予測に責任を負う特徴を強調する重要なツールとして登場した。 多くの説明手法は信頼性が低く、悪意のある操作に影響を受けやすいという証拠が増えている。 テキスト説明に対する敵攻撃を成功させるための最初の洞察と結果を提供する。
  論文  参考訳（メタデータ） (2022-06-24T13:34:07Z)
• Human Interpretation of Saliency-based Explanation Over Text [65.29015910991261]
  テキストデータ上でのサリエンシに基づく説明について検討する。 人はしばしば説明を誤って解釈する。 本稿では,過度知覚と過小認識のモデル推定に基づいて,サリエンシを調整する手法を提案する。
  論文  参考訳（メタデータ） (2022-01-27T15:20:32Z)
• Correcting Classification: A Bayesian Framework Using Explanation Feedback to Improve Classification Abilities [2.0931163605360115]
  説明は社会的であり、それは相互作用による知識の伝達である。 説明フィードバックを用いたベイズ畳み込みニューラルネットワーク(CNN)の訓練により、これらの困難を克服します。 提案手法は,このフィードバックを微調整に利用して,説明や分類が改善するモデルを修正する。
  論文  参考訳（メタデータ） (2021-04-29T13:59:21Z)
• Narrative Incoherence Detection [76.43894977558811]
  本稿では,文間セマンティック理解のための新たなアリーナとして,物語不整合検出の課題を提案する。 複数文の物語を考えると、物語の流れに意味的な矛盾があるかどうかを決定します。
  論文  参考訳（メタデータ） (2020-12-21T07:18:08Z)
• Visually Grounded Compound PCFGs [65.04669567781634]
  言語理解のための視覚的基盤の爆発は、最近多くの注目を集めている。 本研究では,視覚的な文法誘導について検討し,未ラベルテキストとその視覚的キャプションから選挙区を学習する。
  論文  参考訳（メタデータ） (2020-09-25T19:07:00Z)
• Fact-aware Sentence Split and Rephrase with Permutation Invariant Training [93.66323661321113]
  Sentence Split と Rephrase は、複雑な文をいくつかの単純な文に分解し、その意味を保存することを目的としている。 従来の研究では、パラレル文対からのSeq2seq学習によってこの問題に対処する傾向があった。 本稿では,この課題に対するSeq2seq学習における順序分散の効果を検証するために,置換訓練を導入する。
  論文  参考訳（メタデータ） (2020-01-16T07:30:19Z)

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。