論文の概要: A Survey on Explainability in Machine Reading Comprehension
- arxiv url: http://arxiv.org/abs/2010.00389v1
- Date: Thu, 1 Oct 2020 13:26:58 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-12 07:18:04.192488
- Title: A Survey on Explainability in Machine Reading Comprehension
- Title(参考訳): 機械読解における説明可能性に関する調査
- Authors: Mokanarangan Thayaparan, Marco Valentino, Andr\'e Freitas
- Abstract要約: 表現と推論の課題がどのように発展し、これらの課題に対処するためのステップを提示する。
また,説明可能なシステムの性能を評価するための評価手法を提案する。
- 参考スコア(独自算出の注目度): 4.726777092009554
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: This paper presents a systematic review of benchmarks and approaches for
explainability in Machine Reading Comprehension (MRC). We present how the
representation and inference challenges evolved and the steps which were taken
to tackle these challenges. We also present the evaluation methodologies to
assess the performance of explainable systems. In addition, we identify
persisting open research questions and highlight critical directions for future
work.
- Abstract(参考訳): 本稿では,Machine Reading Comprehension (MRC) におけるベンチマークと説明可能性の体系的レビューを行う。
表現と推論の課題がどのように発展し、これらの課題に対処するためのステップを提示する。
また,説明可能なシステムの性能を評価するための評価手法を提案する。
さらに,研究課題の継続性を明らかにし,今後の課題への重要な方向性を強調する。
関連論文リスト
- Machine Learning Information Retrieval and Summarisation to Support Systematic Review on Outcomes Based Contracting [7.081184240581488]
本稿では、高度な機械学習(ML)と自然言語処理(NLP)ツールを用いて、社会科学における体系的レビューの効率性と範囲を向上させることにより、これらの課題に対処することを目的とした研究について述べる。
特に,人間のアノテータにとって時間を要する反復的かつ反復的なシステムレビュープロセスにおいて,情報検索や専門家の助言による要約といったツールを通じて,即時スケーラビリティに寄与する段階の自動化に着目する。
この記事では、体系的なレビューに対する統合的なアプローチと、説明可能性を含む今後の改善の方向性について学んだ教訓をまとめてまとめる。
論文 参考訳(メタデータ) (2024-12-11T17:54:01Z) - Opening the Black-Box: A Systematic Review on Explainable AI in Remote Sensing [51.524108608250074]
ブラックボックス機械学習アプローチは、リモートセンシングにおける知識抽出における主要なモデリングパラダイムとなっている。
我々は、この分野における重要なトレンドを特定するための体系的なレビューを行い、新しい説明可能なAIアプローチに光を当てた。
また,課題と将来的な研究方向性について,より詳細な展望を述べる。
論文 参考訳(メタデータ) (2024-02-21T13:19:58Z) - Improving Query-Focused Meeting Summarization with Query-Relevant
Knowledge [71.14873115781366]
本稿では,その課題に対処するため,知識認識要約器(KAS)と呼ばれる知識強化2段階のフレームワークを提案する。
最初の段階では、クエリ関連セグメント抽出を改善するために知識認識スコアを導入します。
第2段階では,クエリ関連知識を要約生成に取り入れる。
論文 参考訳(メタデータ) (2023-09-05T10:26:02Z) - A Survey on Interpretable Cross-modal Reasoning [64.37362731950843]
マルチメディア分析から医療診断に至るまで、クロスモーダル推論(CMR)が重要な分野として浮上している。
この調査は、解釈可能なクロスモーダル推論(I-CMR)の領域を掘り下げる
本調査では,I-CMRの3段階分類法について概説する。
論文 参考訳(メタデータ) (2023-09-05T05:06:48Z) - Perspectives on Large Language Models for Relevance Judgment [56.935731584323996]
大型言語モデル(LLM)は、関連判断を支援することができると主張している。
自動判定が検索システムの評価に確実に利用できるかどうかは不明である。
論文 参考訳(メタデータ) (2023-04-13T13:08:38Z) - A Survey of Machine Narrative Reading Comprehension Assessments [20.33600275496604]
評価課題の主な類似点と相違点を抽出する類型論を提案する。
本稿では,新しいタスクデザインにおけるタイポロジーの影響と,物語読解の課題について論じる。
論文 参考訳(メタデータ) (2022-04-30T16:06:23Z) - Measuring "Why" in Recommender Systems: a Comprehensive Survey on the
Evaluation of Explainable Recommendation [87.82664566721917]
この調査は、IJCAI、AAAI、TheWebConf、Recsys、UMAP、IUIといったトップレベルのカンファレンスから100以上の論文に基づいています。
論文 参考訳(メタデータ) (2022-02-14T02:58:55Z) - Multilingual Multi-Aspect Explainability Analyses on Machine Reading Comprehension Models [76.48370548802464]
本稿では,マルチヘッド自己注意と最終MRCシステム性能の関係を検討するために,一連の解析実験を実施することに焦点を当てる。
問合せ及び問合せ理解の注意が問合せプロセスにおいて最も重要なものであることが判明した。
包括的可視化とケーススタディを通じて、注意マップに関するいくつかの一般的な知見も観察し、これらのモデルがどのように問題を解くかを理解するのに役立ちます。
論文 参考訳(メタデータ) (2021-08-26T04:23:57Z) - On how Cognitive Computing will plan your next Systematic Review [3.0816257225447763]
我々は,24人のSLR著者の計画実践,課題,支援戦略に対するフィードバックについての知見を報告する。
我々はこの知見をcognitive augmentation frameworkで検証し,プロトタイプの実装と評価について報告する。
論文 参考訳(メタデータ) (2020-12-15T09:56:09Z) - A Framework for Evaluation of Machine Reading Comprehension Gold
Standards [7.6250852763032375]
本稿では,現在の言語的特徴,必要な推論,背景知識,事実的正当性を調査するための統一的な枠組みを提案する。
語彙的曖昧さに寄与する特徴の欠如、期待される回答の様々な事実的正しさ、および語彙的手がかりの存在は、いずれも、評価データの読解の複雑さと品質を低下させる可能性がある。
論文 参考訳(メタデータ) (2020-03-10T11:30:22Z)
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。