論文の概要: Where's the Question? A Multi-channel Deep Convolutional Neural Network for Question Identification in Textual Data

• arxiv url: http://arxiv.org/abs/2010.07816v1
• Date: Thu, 15 Oct 2020 15:11:22 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-07 02:58:42.573715
• Title: Where's the Question? A Multi-channel Deep Convolutional Neural Network for Question Identification in Textual Data
• Title（参考訳）: 質問はどこだ? テキストデータの質問識別のための多チャンネル深層畳み込みニューラルネットワーク
• Authors: George Michalopoulos, Helen Chen, Alexander Wong
• Abstract要約: 本稿では,実際の質問を分離する目的で,新しい多チャンネル深層畳み込みニューラルネットワークアーキテクチャであるQuest-CNNを提案する。 提案するニューラルネットワークと他のディープニューラルネットワークの総合的な性能比較分析を行った。 提案したQuest-CNNは、透析ケア設定におけるデータエントリレビュー対話のデータセットと一般的なドメインデータセットの両方において、最高のF1スコアを達成した。
• 参考スコア（独自算出の注目度）: 83.89578557287658
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In most clinical practice settings, there is no rigorous reviewing of the clinical documentation, resulting in inaccurate information captured in the patient medical records. The gold standard in clinical data capturing is achieved via "expert-review", where clinicians can have a dialogue with a domain expert (reviewers) and ask them questions about data entry rules. Automatically identifying "real questions" in these dialogues could uncover ambiguities or common problems in data capturing in a given clinical setting. In this study, we proposed a novel multi-channel deep convolutional neural network architecture, namely Quest-CNN, for the purpose of separating real questions that expect an answer (information or help) about an issue from sentences that are not questions, as well as from questions referring to an issue mentioned in a nearby sentence (e.g., can you clarify this?), which we will refer as "c-questions". We conducted a comprehensive performance comparison analysis of the proposed multi-channel deep convolutional neural network against other deep neural networks. Furthermore, we evaluated the performance of traditional rule-based and learning-based methods for detecting question sentences. The proposed Quest-CNN achieved the best F1 score both on a dataset of data entry-review dialogue in a dialysis care setting, and on a general domain dataset.
• Abstract（参考訳）: ほとんどのクリニカル・プラクティス・セッティングでは、臨床文書の厳格なレビューは行われず、患者の医療記録に不正確な情報が記録される。 臨床データ取得における金の標準は「専門家レビュー」によって達成され、臨床医はドメインの専門家(レビュー担当者)と対話し、データ入力ルールについて質問することができる。 これらの対話で「本当の質問」を自動的に識別することは、特定の臨床環境でのデータキャプチャにおける曖昧さや一般的な問題を明らかにする可能性がある。 本研究では,質問文以外の問題に対する回答(情報や助け)を期待する真の質問を,近隣の文(例えば,これを明確にできるか?)に言及する質問から分離する目的で,新しい多チャンネル深層畳み込みニューラルネットワークアーキテクチャ(Quest-CNN)を提案し,これを「c-クエスト」と呼ぶ。 提案する多チャンネル深部畳み込みニューラルネットワークと他の深部ニューラルネットワークの総合的な性能比較分析を行った。 さらに,従来の規則ベースおよび学習ベースの質問文検出手法の性能評価を行った。 提案したQuest-CNNは、透析ケア設定におけるデータエントリレビュー対話のデータセットと一般的なドメインデータセットの両方において、最高のF1スコアを達成した。

関連論文リスト

• Learning to Ask Like a Physician [24.15961995052862]
  2,000以上の質問からなる新たな質問データセットDiSCQについて紹介する。 質問は、100以上のMIMIC-III放電サマリーの医療専門家によって生成される。 我々は、このデータセットを分析し、医療専門家が求めている情報のタイプを特徴付ける。
  論文  参考訳（メタデータ） (2022-06-06T15:50:54Z)
• Semi-self-supervised Automated ICD Coding [2.449909275410288]
  臨床用テキストノート (CTN) には、医師が患者を診察しインタビューする際に、構造化されていない自由テキスト形式で書かれた推論プロセスが含まれている。 本稿では,アイスランドのCTNの希少な注釈付きデータセットを,機械学習型計算で半自己管理的に拡張する方法を提案する。 我々は、注釈付きCTNの小さなセットでニューラルネットワークをトレーニングし、アノテーションなしCTNのセットから臨床特徴を抽出する。
  論文  参考訳（メタデータ） (2022-05-20T11:12:54Z)
• Building and Evaluating Open-Domain Dialogue Corpora with Clarifying Questions [65.60888490988236]
  オープンドメインのシングルターンとマルチターンの会話に焦点を当てたデータセットをリリースする。 我々は最先端のニューラルベースラインをいくつかベンチマークする。 様々な対話における質問の明確化の質を評価するための,オフラインおよびオンラインのステップからなるパイプラインを提案する。
  論文  参考訳（メタデータ） (2021-09-13T09:16:14Z)
• Self-supervised Answer Retrieval on Clinical Notes [68.87777592015402]
  本稿では,ドメイン固有パスマッチングのためのトランスフォーマー言語モデルをトレーニングするためのルールベースのセルフスーパービジョンであるCAPRを紹介する。 目的をトランスフォーマーベースの4つのアーキテクチャ、コンテキスト文書ベクトル、ビ-、ポリエンコーダ、クロスエンコーダに適用する。 本稿では,ドメイン固有パスの検索において,CAPRが強いベースラインを上回り,ルールベースおよび人間ラベル付きパスを効果的に一般化することを示す。
  論文  参考訳（メタデータ） (2021-08-02T10:42:52Z)
• Attention-based Aspect Reasoning for Knowledge Base Question Answering on Clinical Notes [12.831807443341214]
  臨床ノートから知識ベースを作成し、異なる患者と臨床ノートをリンクさせ、知識ベース質問応答(KBQA)を実行することを目的としている。 n2c2のエキスパートアノテーションに基づいて、まず8,952のQAペアを含む臨床KBQAデータセットを作成し、322の質問テンプレートを通じて7つの医療トピックに関する質問をカバーした。 本稿では,KBQAの注意に基づくアスペクト推論(AAR)手法を提案する。
  論文  参考訳（メタデータ） (2021-08-01T17:58:46Z)
• Neural Response Interpretation through the Lens of Critical Pathways [52.41018985255681]
  本稿では,重要な経路を同定する問題を議論し,入力に対するネットワークの応答の解釈に活用する。 プルーニング由来のスパース経路は、必ずしも重要な入力情報をエンコードするとは限らない。 入力情報の重要な断片を含むスパース経路を確保するため,ニューロンの応答への寄与による経路選択を提案する。
  論文  参考訳（メタデータ） (2021-03-31T08:08:41Z)
• Chinese Medical Question Answer Matching Based on Interactive Sentence Representation Learning [0.0]
  中国の医学的質問応答マッチングは、英語のオープンドメインの質問応答マッチングよりも難しい。 本稿では,この問題に対処するための対話型文表現学習モデルを設計する。 我々のモデルは、中国の医学的質問応答マッチングの最先端モデル全てを著しく上回っている。
  論文  参考訳（メタデータ） (2020-11-27T06:13:56Z)
• Domain Generalization for Medical Imaging Classification with Linear-Dependency Regularization [59.5104563755095]
  本稿では,医用画像分類分野におけるディープニューラルネットワークの一般化能力向上のための,シンプルだが効果的なアプローチを提案する。 医用画像の領域変数がある程度コンパクトであることに感銘を受けて,変分符号化による代表的特徴空間の学習を提案する。
  論文  参考訳（メタデータ） (2020-09-27T12:30:30Z)
• Better Early than Late: Fusing Topics with Word Embeddings for Neural Question Paraphrase Identification [24.574227630018758]
  質問文識別のためのニューラルアーキテクチャにおいて,話題と単語の埋め込みを融合する2つの方法を提案する。 我々のシステムは,複数のCQAデータセット上での神経ベースラインよりも優れていた。
  論文  参考訳（メタデータ） (2020-07-22T10:09:26Z)
• Boosting Deep Neural Networks with Geometrical Prior Knowledge: A Survey [77.99182201815763]
  ディープニューラルネットワーク(DNN)は多くの異なる問題設定において最先端の結果を達成する。 DNNはしばしばブラックボックスシステムとして扱われ、評価と検証が複雑になる。 コンピュータビジョンタスクにおける畳み込みニューラルネットワーク(CNN)の成功に触発された、有望な分野のひとつは、対称幾何学的変換に関する知識を取り入れることである。
  論文  参考訳（メタデータ） (2020-06-30T14:56:05Z)

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。