Fugu-MT 論文翻訳(概要): QED: A Framework and Dataset for Explanations in Question Answering

論文の概要: QED: A Framework and Dataset for Explanations in Question Answering

arxiv url: http://arxiv.org/abs/2009.06354v1
Date: Tue, 8 Sep 2020 23:34:18 GMT
ステータス: 処理完了
システム内更新日: 2022-10-20 20:38:59.703039
Title: QED: A Framework and Dataset for Explanations in Question Answering
Title（参考訳）: QED: 質問回答における説明のためのフレームワークとデータセット
Authors: Matthew Lamm, Jennimaria Palomaki, Chris Alberti, Daniel Andor, Eunsol Choi, Livio Baldini Soares, Michael Collins
Abstract要約: Google Natural Questionsデータセットのサブセット上に構築されたQED説明のエキスパートアノテートデータセットをリリースする。有望な結果は、比較的少量のQEDデータのトレーニングが質問応答を改善することを示唆している。
参考スコア（独自算出の注目度）: 27.85923397716627
License: http://creativecommons.org/licenses/by/4.0/
Abstract: A question answering system that in addition to providing an answer provides an explanation of the reasoning that leads to that answer has potential advantages in terms of debuggability, extensibility and trust. To this end, we propose QED, a linguistically informed, extensible framework for explanations in question answering. A QED explanation specifies the relationship between a question and answer according to formal semantic notions such as referential equality, sentencehood, and entailment. We describe and publicly release an expert-annotated dataset of QED explanations built upon a subset of the Google Natural Questions dataset, and report baseline models on two tasks -- post-hoc explanation generation given an answer, and joint question answering and explanation generation. In the joint setting, a promising result suggests that training on a relatively small amount of QED data can improve question answering. In addition to describing the formal, language-theoretic motivations for the QED approach, we describe a large user study showing that the presence of QED explanations significantly improves the ability of untrained raters to spot errors made by a strong neural QA baseline.
Abstract（参考訳）: 質問応答システムでは、回答の提供に加えて、その回答につながる推論の説明が、デバッグ可能性、拡張性、信頼という面で潜在的に有利である。そこで本稿では,QEDを提案する。QEDとは,質問応答における説明のための言語的に理解され,拡張可能なフレームワークである。 QEDの説明は、質問と回答の関係を、参照的平等、文化、含意といった形式的な意味概念に基づいて特定する。 Google Natural Questionsデータセットのサブセット上に構築されたQED説明のエキスパートアノテートデータセットを記述および公開し、ホック後の説明生成と、共同回答と説明生成という2つのタスクのベースラインモデルを報告します。共同環境では,比較的少量のQEDデータによるトレーニングが質問応答を改善する可能性が示唆された。 QEDアプローチの形式的言語理論的モチベーションを説明することに加えて、QED説明の存在は、訓練を受けていないラッカーが、強い神経質なQAベースラインによる誤りを見つける能力を大幅に向上させることを示す大規模なユーザスタディを述べる。

関連論文リスト

Open-Set Knowledge-Based Visual Question Answering with Inference Paths [79.55742631375063]
知識に基づく視覚的質問回答(KB-VQA)の目的は、外部知識ベースの助けを借りて質問に対する正しい回答を提供することである。 KB-VQA, Graph pATH ranker (GATHER for brevity) の新しいレトリバーランカパラダイムを提案する。具体的には、グラフの構築、プルーニング、パスレベルのランク付けが含まれており、正確な回答を検索するだけでなく、推論パスを提供して推論プロセスを説明する。
論文参考訳（メタデータ） (2023-10-12T09:12:50Z)
Reasoning over Hierarchical Question Decomposition Tree for Explainable Question Answering [83.74210749046551]
ヘテロジニアス知識統合のための質問分解手法を提案する。階層的質問分解木(RoHT)を用いた新しい2段階XQAフレームワークを提案する。複雑なQAデータセットKQA ProとMusiqueの実験は、我々のフレームワークがSOTAメソッドを著しく上回っていることを示している。
論文参考訳（メタデータ） (2023-05-24T11:45:59Z)
CREPE: Open-Domain Question Answering with False Presuppositions [92.20501870319765]
オンライン情報検索フォーラムからの予測失敗の自然な分布を含むQAデータセットであるCREPEを紹介する。 25%の質問が偽の前提命題を含み、これらの前提命題とその修正のための注釈を提供する。既存のオープンドメインQAモデルの適応は適度に予測できるが、仮定が実際に正しいかどうかを予測するのに苦労する。
論文参考訳（メタデータ） (2022-11-30T18:54:49Z)
ReasonChainQA: Text-based Complex Question Answering with Explainable Evidence Chains [15.837457557803507]
説明的および明示的なエビデンス連鎖を有するベンチマーク textbfReasonChainQA を提案する。 ReasonChainQAは、回答生成とエビデンス連鎖抽出という2つのサブタスクから構成される。教師付きおよび教師なし検索に関する追加実験は、ReasonChainQAの重要性を十分に示している。
論文参考訳（メタデータ） (2022-10-17T06:07:39Z)
Discourse Analysis via Questions and Answers: Parsing Dependency Structures of Questions Under Discussion [57.43781399856913]
この研究は、談話分析にQUD(Language framework of Questions Under discussion)を採用する。我々は、文間の関係を、徹底的なきめ細かい質問とは対照的に、自由形式の質問として特徴づける。完全文書上の質問の依存関係構造を導出する第一種QUDを開発する。
論文参考訳（メタデータ） (2022-10-12T03:53:12Z)
ASQA: Factoid Questions Meet Long-Form Answers [35.11889930792675]
この研究は、解釈によって異なる正しい答えを持つ、あいまいな事実型問題に焦点を当てている。曖昧な質問に対する回答は、複数の情報源からの事実情報を長文の要約にまとめるべきである。我々は、この正確性の概念を用いて、ASQAのパフォーマンスの自動測定基準を定義します。
論文参考訳（メタデータ） (2022-04-12T21:58:44Z)
Grow-and-Clip: Informative-yet-Concise Evidence Distillation for Answer Explanation [22.20733260041759]
我々は、QAモデルの解釈可能性を高めるために、解答の証拠が重要であると論じる。我々は、証拠の概念を、情報的で簡潔で読みやすい文脈における支援事実として明確に定義する最初の人物である。本稿では, トレードオフ情報性, 簡潔性, 可読性からエビデンスを抽出するGCEDアルゴリズムを提案する。
論文参考訳（メタデータ） (2022-01-13T17:18:17Z)
Discourse Comprehension: A Question Answering Framework to Represent Sentence Connections [35.005593397252746]
談話理解のためのモデルの構築と評価における重要な課題は、注釈付きデータの欠如である。本稿では,ニュース文書の理解を目的としたスケーラブルなデータ収集を実現する新しいパラダイムを提案する。得られたコーパスDCQAは、607の英語文書からなる22,430の質問応答ペアで構成されている。
論文参考訳（メタデータ） (2021-11-01T04:50:26Z)
NOAHQA: Numerical Reasoning with Interpretable Graph Question Answering Dataset [26.782937852417454]
複素数式を用いた数値推論を必要とする質問をバイリンガルなQAデータセットであるNOAHQAを紹介する。我々は,NOAHQA上で既存のQAデータセットを用いてトレーニングした最先端QAモデルを評価し,その中の最良のものが55.5の正確なマッチスコアしか達成できないことを示す。また、推論グラフの計量値が人間に比べて大きなギャップを持つような推論グラフを生成するための新しいQAモデルを提案する。
論文参考訳（メタデータ） (2021-09-22T09:17:09Z)
Improving Unsupervised Question Answering via Summarization-Informed Question Generation [47.96911338198302]
質問生成 (QG) とは, 質問文, 質問文, 質問文, 質問文, 質問文, 質問文, 質問文, 質問文, 質問文, 質問文, 質問文、質問文、質問文、質問文、質問文、質問文、質問文、質問文、質問文、質問文、質問文、質問文、質問文、質問文、質問文、質問文、質問文、質問文、質問文、我々は、自由なニュース要約データを使用し、宣言文を依存性解析、名前付きエンティティ認識、セマンティックロールラベリングを用いて適切な質問に変換する。得られた質問は、元のニュース記事と組み合わせて、エンドツーエンドのニューラルQGモデルをトレーニングする。
論文参考訳（メタデータ） (2021-09-16T13:08:43Z)
Interpretable Multi-Step Reasoning with Knowledge Extraction on Complex Healthcare Question Answering [89.76059961309453]
HeadQAデータセットには、公衆医療専門試験で認可された複数の選択質問が含まれている。これらの質問は、現在のQAシステムにとって最も難しいものです。知識抽出フレームワーク(MurKe)を用いた多段階推論を提案する。市販の事前訓練モデルを完全に活用しようと努力しています。
論文参考訳（メタデータ） (2020-08-06T02:47:46Z)

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。