論文の概要: CHIME: Cross-passage Hierarchical Memory Network for Generative Review
Question Answering
- arxiv url: http://arxiv.org/abs/2011.00519v1
- Date: Sun, 1 Nov 2020 14:48:49 GMT
- ステータス: 処理完了
- システム内更新日: 2022-09-30 23:20:08.501355
- Title: CHIME: Cross-passage Hierarchical Memory Network for Generative Review
Question Answering
- Title(参考訳): CHIME: 世代別質問応答のためのクロスパス階層型メモリネットワーク
- Authors: Junru Lu, Gabriele Pergola, Lin Gui, Binyang Li, Yulan He
- Abstract要約: テキスト生成による質問応答(QA)のためのクロスパス階層型メモリネットワークであるCHIMEを紹介する。
XLNetは、クロスパスエビデンスを収集するコンテキストメモリと、バッファとして動作する応答メモリという、2つのコンポーネントからなる補助メモリモジュールを導入している。
- 参考スコア(独自算出の注目度): 33.508528349110115
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: We introduce CHIME, a cross-passage hierarchical memory network for question
answering (QA) via text generation. It extends XLNet introducing an auxiliary
memory module consisting of two components: the context memory collecting
cross-passage evidences, and the answer memory working as a buffer continually
refining the generated answers. Empirically, we show the efficacy of the
proposed architecture in the multi-passage generative QA, outperforming the
state-of-the-art baselines with better syntactically well-formed answers and
increased precision in addressing the questions of the AmazonQA review dataset.
An additional qualitative analysis revealed the interpretability introduced by
the memory module.
- Abstract(参考訳): テキスト生成による質問応答(QA)のためのクロスパス階層型メモリネットワークCHIMEを紹介する。
XLNetは、クロスパスエビデンスを収集するコンテキストメモリと、バッファとして動作する応答メモリという、2つのコンポーネントからなる補助メモリモジュールを導入している。
提案手法の有効性を実証的に示し,AmazonQAレビューデータセットの課題に対処する上で,より構文的に良好な回答と精度の向上により,最先端のベースラインよりも優れていることを示す。
追加の定性解析により、メモリモジュールによって導入された解釈可能性が明らかになった。
関連論文リスト
- Topology-aware Embedding Memory for Continual Learning on Expanding
Networks [69.21427519408016]
メモリリプレイ技術は、漸進的に蓄積されたユークリッドデータによる継続的な学習において大きな成功を収めている。
しかし、ネットワークの継続的な拡張にそれらを直接適用することは、潜在的なメモリ爆発問題につながる。
我々は、トポロジ-埋め込みメモリ(TEM)を備えた一般フレームワーク、すなわちTEMaware Decoupled Graph Neural Networks(PDGNN)を提案する。
本稿では,TEMを用いたTEMaware PDGNNが最先端技術,特に難易度の高いクラスインクリメンタルセッティングにおいて著しく優れていることを示す。
論文 参考訳(メタデータ) (2024-01-24T03:03:17Z) - Multi-Clue Reasoning with Memory Augmentation for Knowledge-based Visual
Question Answering [32.21000330743921]
より一般的な質問に答える能力を備えたモデルを実現する新しいフレームワークを提案する。
具体的には、画像検索関連関係句を予測するために、明確に定義された検出器が採用されている。
最適解答は、最も高いスコアで支持事実を選択することにより予測される。
論文 参考訳(メタデータ) (2023-12-20T02:35:18Z) - A Memory Model for Question Answering from Streaming Data Supported by
Rehearsal and Anticipation of Coreference Information [19.559853775982386]
本稿では,ストリーミングデータから質問応答タスクを解くための重要な情報に入力を処理しながら,リハーサルと予測を行うメモリモデルを提案する。
我々は,bAbIデータセットと大規模テキスト(Narrative QA)およびビデオ(ActivityNet-QA)質問応答データセットを用いて,我々のモデルを検証した。
論文 参考訳(メタデータ) (2023-05-12T15:46:36Z) - Enhancing Dual-Encoders with Question and Answer Cross-Embeddings for
Answer Retrieval [29.16807969384253]
デュアルエンコーダは質問応答システム(QA)における回答検索のための有望なメカニズムである。
質問応答のクロス埋め込みと新しい幾何アライメント機構(GAM)を備えたデュアルエンコーダモデルを構築するためのフレームワークを提案する。
本フレームワークはDual-Encodersモデルを大幅に改善し,複数の回答検索データセット上で最先端の手法より優れている。
論文 参考訳(メタデータ) (2022-06-07T02:39:24Z) - Augmenting Pre-trained Language Models with QA-Memory for Open-Domain
Question Answering [38.071375112873675]
質問応答型エンコーダデコーダモデルの提案と事前学習戦略について述べる。
これにより、シングルホップのQAタスクにおいて、以前のQA検索方法よりも優れたエンドツーエンドシステムが得られる。
論文 参考訳(メタデータ) (2022-04-10T02:33:00Z) - Read before Generate! Faithful Long Form Question Answering with Machine
Reading [77.17898499652306]
LFQA(Long-form Question answering)は、ある質問に対する段落長の回答を生成することを目的としている。
生成と機械読取を協調的にモデル化する新しい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) (2022-03-01T10:41:17Z) - Joint Models for Answer Verification in Question Answering Systems [85.93456768689404]
我々は3方向のマルチクラス化器を構築し、解答が他の解答をサポートするか、反証するか、あるいは中立かを決定する。
私たちは、WikiQA、TREC-QA、実世界のデータセットでモデルをテストしました。
論文 参考訳(メタデータ) (2021-07-09T05:34:36Z) - Tell Me How to Ask Again: Question Data Augmentation with Controllable
Rewriting in Continuous Space [94.8320535537798]
機械読解(MRC)、質問生成、質問答え自然言語推論タスクのための制御可能な書き換えベースの質問データ拡張(CRQDA)。
質問データ拡張タスクを制約付き質問書き換え問題として扱い、コンテキスト関連、高品質、多様な質問データサンプルを生成する。
論文 参考訳(メタデータ) (2020-10-04T03:13:46Z) - ClarQ: A large-scale and diverse dataset for Clarification Question
Generation [67.1162903046619]
そこで我々は,スタックエクスチェンジから抽出したポストコメンデーションに基づいて,多様な,大規模な明確化質問データセットの作成を支援する,新しいブートストラップフレームワークを考案した。
質問応答の下流タスクに適用することで,新たに作成したデータセットの有用性を定量的に示す。
我々はこのデータセットを公開し、ダイアログと質問応答システムの拡張という大きな目標を掲げて、質問生成の分野の研究を促進する。
論文 参考訳(メタデータ) (2020-06-10T17:56:50Z)
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。