論文の概要: Diversity Aware Relevance Learning for Argument Search
- arxiv url: http://arxiv.org/abs/2011.02177v4
- Date: Wed, 17 Mar 2021 11:25:56 GMT
- ステータス: 処理完了
- システム内更新日: 2022-09-29 22:41:33.483427
- Title: Diversity Aware Relevance Learning for Argument Search
- Title(参考訳): 課題探索のための多様性を考慮した関連学習
- Authors: Michael Fromm, Max Berrendorf, Sandra Obermeier, Thomas Seidl, Evgeniy
Faerman
- Abstract要約: 本研究では,議論探索問題に対する新たな多段階的アプローチを提案する。
提案手法では,地道的な代入に頼るのではなく,機械学習モデルを用いて議論間の意味的関係を抽出する。
- 参考スコア(独自算出の注目度): 2.9319293268960025
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In this work, we focus on the problem of retrieving relevant arguments for a
query claim covering diverse aspects. State-of-the-art methods rely on explicit
mappings between claims and premises, and thus are unable to utilize large
available collections of premises without laborious and costly manual
annotation. Their diversity approach relies on removing duplicates via
clustering which does not directly ensure that the selected premises cover all
aspects. This work introduces a new multi-step approach for the argument
retrieval problem. Rather than relying on ground-truth assignments, our
approach employs a machine learning model to capture semantic relationships
between arguments. Beyond that, it aims to cover diverse facets of the query,
instead of trying to identify duplicates explicitly. Our empirical evaluation
demonstrates that our approach leads to a significant improvement in the
argument retrieval task even though it requires less data.
- Abstract(参考訳): 本研究では,多様な側面をカバーするクエリークレームに対して,関連する引数を検索する問題に焦点を当てる。
state-of-the-artメソッドは、クレームと前提の間の明示的なマッピングに依存しているため、手間とコストのかかる手動アノテーションなしで、利用可能な大量の前提のコレクションを利用できない。
彼らの多様性のアプローチは、選択された前提がすべての側面をカバーすることを直接保証しないクラスタリングを通じて重複を取り除くことに依存している。
本稿では,引数検索問題に対する新しい多段階アプローチを提案する。
本手法では,議論間の意味的関係を捉えるために機械学習モデルを用いる。
さらに、重複を明示的に識別する代わりに、クエリのさまざまな側面をカバーすることを目指している。
我々の経験的評価は、データが少なくても引数探索タスクが大幅に改善されることを実証している。
関連論文リスト
- Grounding Language Models for Visual Entity Recognition [29.439639742947993]
AutoVERは、Visual Entity Recognitionのための自動回帰モデルである。
ドメイン外エンティティの低パフォーマンスを軽減し、視覚的な推論を必要とするクエリに優れています。
これは、最近提案されたOven-Wikiベンチマークで、異なるデータセット分割間で大幅に改善されている。
論文 参考訳(メタデータ) (2024-02-28T20:22:17Z) - Divide & Conquer for Entailment-aware Multi-hop Evidence Retrieval [25.379528163789082]
そこで本研究では,テキスト・エンテリメント・リレーション・リレーションシップが,考慮すべき重要な関連性次元であることを示す。
そこで本研究では,各サブタスクに個別に対処し,多様な関連信号を考慮した文を並べ替える2つのアンサンブルモデル EAR と EARnest を提案する。
論文 参考訳(メタデータ) (2023-11-05T10:31:40Z) - Topic-DPR: Topic-based Prompts for Dense Passage Retrieval [6.265789210037749]
トピックベースのプロンプトを用いた高密度経路探索モデルであるTopic-DPRを提案する。
本稿では, 半構造化データを利用して高密度検索効率を向上させる, 新規な正負サンプリング手法を提案する。
論文 参考訳(メタデータ) (2023-10-10T13:45:24Z) - CAPSTONE: Curriculum Sampling for Dense Retrieval with Document
Expansion [68.19934563919192]
本稿では,学習中に擬似クエリを利用して,生成したクエリと実際のクエリとの関係を徐々に向上させるカリキュラムサンプリング戦略を提案する。
ドメイン内およびドメイン外両方のデータセットに対する実験結果から,本手法が従来の高密度検索モデルより優れていることが示された。
論文 参考訳(メタデータ) (2022-12-18T15:57:46Z) - UniKGQA: Unified Retrieval and Reasoning for Solving Multi-hop Question
Answering Over Knowledge Graph [89.98762327725112]
KGQA(Multi-hop Question Answering over Knowledge Graph)は、自然言語の質問で言及されているトピックエンティティから、複数のホップを持つ回答エンティティを見つけることを目的としている。
我々は、モデルアーキテクチャとパラメータ学習の両方において、検索と推論を統合することで、マルチホップKGQAタスクの新しいアプローチであるUniKGQAを提案する。
論文 参考訳(メタデータ) (2022-12-02T04:08:09Z) - Multi-task Bias-Variance Trade-off Through Functional Constraints [102.64082402388192]
マルチタスク学習は、多様なタスクによく機能する関数の集合を取得することを目的としている。
本稿では,2つの極端な学習シナリオ,すなわちすべてのタスクに対する単一関数と,他のタスクを無視するタスク固有関数から直感を抽出する。
本稿では,集中関数に対するドメイン固有解を強制する制約付き学習定式化を導入する。
論文 参考訳(メタデータ) (2022-10-27T16:06:47Z) - Query Expansion Using Contextual Clue Sampling with Language Models [69.51976926838232]
本稿では,実効的なフィルタリング戦略と検索した文書の融合の組み合わせを,各文脈の生成確率に基づいて提案する。
我々の語彙マッチングに基づくアプローチは、よく確立された高密度検索モデルDPRと比較して、同様のトップ5/トップ20検索精度と上位100検索精度を実現する。
エンド・ツー・エンドのQAでは、読者モデルも我々の手法の恩恵を受けており、いくつかの競争基準に対してエクサクト・マッチのスコアが最も高い。
論文 参考訳(メタデータ) (2022-10-13T15:18:04Z) - Utterance Rewriting with Contrastive Learning in Multi-turn Dialogue [22.103162555263143]
比較学習とマルチタスク学習を導入し、問題を共同でモデル化する。
提案手法は,複数の公開データセット上での最先端性能を実現する。
論文 参考訳(メタデータ) (2022-03-22T10:13:27Z) - Joint Passage Ranking for Diverse Multi-Answer Retrieval [56.43443577137929]
質問に対する複数の異なる回答をカバーするために、パスの取得を必要とする探索不足の問題であるマルチアンサー検索について検討する。
モデルが別の有効な答えを逃す費用で同じ答えを含む通路を繰り返すべきではないので、このタスクは、検索された通路の共同モデリングを必要とします。
本稿では,再順位に着目したジョイントパス検索モデルであるJPRを紹介する。
回収された通路の合同確率をモデル化するために、JPRは、新しい訓練および復号アルゴリズムを備えた通路のシーケンスを選択する自動回帰リタイナを利用する。
論文 参考訳(メタデータ) (2021-04-17T04:48:36Z) - Adaptive Attentional Network for Few-Shot Knowledge Graph Completion [16.722373937828117]
Few-shot Knowledge Graph (KG) の完成は、現在の研究の焦点であり、各タスクは、数少ない参照エンティティペアを考えると、関係の見えない事実をクエリすることを目的としている。
最近の試みでは、エンティティと参照の静的表現を学習し、それらの動的特性を無視してこの問題を解決している。
本研究は,適応実体と参照表現を学習することにより,数ショットのKG補完のための適応的注意ネットワークを提案する。
論文 参考訳(メタデータ) (2020-10-19T16:27:48Z) - Query Resolution for Conversational Search with Limited Supervision [63.131221660019776]
本稿では,双方向トランスフォーマに基づくニューラルクエリ解決モデルQuReTeCを提案する。
我々はQuReTeCが最先端モデルより優れており、また、QuReTeCのトレーニングに必要な人為的なデータ量を大幅に削減するために、我々の遠隔監視手法が有効であることを示す。
論文 参考訳(メタデータ) (2020-05-24T11:37:22Z)
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。