論文の概要: Explicit Memory Tracker with Coarse-to-Fine Reasoning for Conversational Machine Reading

• arxiv url: http://arxiv.org/abs/2005.12484v2
• Date: Tue, 23 Jun 2020 06:14:38 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-29 00:07:13.730436
• Title: Explicit Memory Tracker with Coarse-to-Fine Reasoning for Conversational Machine Reading
• Title（参考訳）: 対話型機械読解のための粗結合推論を用いた明示的メモリトラッカー
• Authors: Yifan Gao, Chien-Sheng Wu, Shafiq Joty, Caiming Xiong, Richard Socher, Irwin King, Michael R. Lyu, and Steven C.H. Hoi
• Abstract要約: 本稿では,EMT(Explicit Memory Tracker)を用いた会話機械読取フレームワークを提案する。 我々のフレームワークは、粗大な推論戦略を採用することによって、明確化の質問を生成する。 EMTは74.6%のマイクロ平均決定精度と49.5BLEU4の新たな最先端結果を達成する。
• 参考スコア（独自算出の注目度）: 177.50355465392047
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: The goal of conversational machine reading is to answer user questions given a knowledge base text which may require asking clarification questions. Existing approaches are limited in their decision making due to struggles in extracting question-related rules and reasoning about them. In this paper, we present a new framework of conversational machine reading that comprises a novel Explicit Memory Tracker (EMT) to track whether conditions listed in the rule text have already been satisfied to make a decision. Moreover, our framework generates clarification questions by adopting a coarse-to-fine reasoning strategy, utilizing sentence-level entailment scores to weight token-level distributions. On the ShARC benchmark (blind, held-out) testset, EMT achieves new state-of-the-art results of 74.6% micro-averaged decision accuracy and 49.5 BLEU4. We also show that EMT is more interpretable by visualizing the entailment-oriented reasoning process as the conversation flows. Code and models are released at https://github.com/Yifan-Gao/explicit_memory_tracker.
• Abstract（参考訳）: 会話型機械読解の目的は、知識ベーステキストを与えられたユーザの質問に答えることである。 既存のアプローチは、質問に関するルールの抽出と推論に苦労しているため、意思決定に制限がある。 本稿では,ルールテキストに記載された条件がすでに決定に満足しているかどうかを追跡する新しい明示的メモリトラッカ(emt)を含む対話型機械読取の新しい枠組みを提案する。 さらに, 文レベルの係り受けスコアを用いてトークンレベルの分布を重み付けすることにより, 細かな推論戦略を採用することにより, 明確化問題を生成する。 ShARCベンチマーク(blind, hold-out)テストセットでは、EMTは74.6%のマイクロ平均決定精度と49.5 BLEU4の新たな最先端結果を達成した。 また,会話の流れにともなうエンテーメント指向推論過程を可視化することにより,EMTはより解釈可能であることを示す。 コードとモデルはhttps://github.com/Yifan-Gao/explicit_Memory_trackerで公開されている。

関連論文リスト

• Bridging The Gap: Entailment Fused-T5 for Open-retrieval Conversational Machine Reading Comprehension [48.529698533726496]
  オープン検索型会話機械読解は実生活における対話シーンをシミュレートする。 最近の研究では、意思決定と質問生成の間の情報ギャップを減らす方法が検討されている。 本稿では,意思決定と生成の間の情報ギャップを埋めるため,EFT(Entailment Fused-T5)と呼ばれる新しい一段階のエンドツーエンドフレームワークを提案する。
  論文  参考訳（メタデータ） (2022-12-19T10:38:30Z)
• ET5: A Novel End-to-end Framework for Conversational Machine Reading Comprehension [48.529698533726496]
  本稿では, 対話型機械読解のための包含推論T5(ET5)に基づくエンドツーエンドフレームワークを提案する。 提案フレームワークの軽量さにもかかわらず,提案するET5は,BLEU-4スコア55.2のShARCリーダボード上で,新たな最先端結果が得られることを示す実験結果を得た。
  論文  参考訳（メタデータ） (2022-09-23T08:58:03Z)
• Open-Retrieval Conversational Machine Reading [80.13988353794586]
  会話機械読解では、システムは自然言語規則を解釈し、ハイレベルな質問に答え、フォローアップの明確化を問う必要がある。 既存の作業では、ルールテキストがユーザ毎の質問に対して提供されると仮定し、実際のシナリオにおいて必須の検索ステップを無視する。 本研究では,対話型機械読解のオープンリトリーバル設定を提案し,検討する。
  論文  参考訳（メタデータ） (2021-02-17T08:55:01Z)
• Discern: Discourse-Aware Entailment Reasoning Network for Conversational Machine Reading [157.14821839576678]
  Discernは、ドキュメントとダイアログの両方の理解を強化するために、接続を強化し、理解を深める、談話対応の係り受け推論ネットワークである。 実験の結果,意思決定におけるマクロ平均精度78.3%,フォローアップ質問生成における64.0 BLEU1が得られた。
  論文  参考訳（メタデータ） (2020-10-05T07:49:51Z)
• Retrospective Reader for Machine Reading Comprehension [90.6069071495214]
  機械読み取り理解(英: Machine reading comprehension、MRC)とは、機械が与えられた文節に基づいて質問に対する正しい答えを決定することを要求するAIチャレンジである。 不可解な質問が MRC タスクに関与している場合、検証モジュールと呼ばれる本質的な検証モジュールがエンコーダに加えて特に必要となる。 本稿では, MRC タスクに対して, 解答不能な質問に対して, より優れた検証器設計を提案する。
  論文  参考訳（メタデータ） (2020-01-27T11:14:34Z)

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。