Fugu-MT 論文翻訳(概要): Conformer-Kernel with Query Term Independence at TREC 2020 Deep Learning Track

論文の概要: Conformer-Kernel with Query Term Independence at TREC 2020 Deep Learning Track

arxiv url: http://arxiv.org/abs/2011.07368v2
Date: Thu, 11 Feb 2021 23:57:45 GMT
ステータス: 処理完了
システム内更新日: 2022-09-25 13:28:51.662754
Title: Conformer-Kernel with Query Term Independence at TREC 2020 Deep Learning Track
Title（参考訳）: Conformer-Kernel - TREC 2020 Deep Learning Trackでのクエリ項独立性
Authors: Bhaskar Mitra, Sebastian Hofstatter, Hamed Zamani and Nick Craswell
Abstract要約: 我々は,TREC 2020 Deep Learningトラックの厳密なブラインド評価設定の下で,コンフォーマー・カーネルモデルをベンチマークした。上記の3つの戦略がすべて,検索品質の向上につながることを示す証拠を見出した。
参考スコア（独自算出の注目度）: 32.36908635150144
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: We benchmark Conformer-Kernel models under the strict blind evaluation setting of the TREC 2020 Deep Learning track. In particular, we study the impact of incorporating: (i) Explicit term matching to complement matching based on learned representations (i.e., the "Duet principle"), (ii) query term independence (i.e., the "QTI assumption") to scale the model to the full retrieval setting, and (iii) the ORCAS click data as an additional document description field. We find evidence which supports that all three aforementioned strategies can lead to improved retrieval quality.
Abstract（参考訳）: 我々は,trac 2020ディープラーニングトラックの厳密なブラインド評価設定の下で,コンフォーメータカーネルモデルをベンチマークする。特に私たちはインクルージョンが与える影響について研究しています (i)学習表現(すなわち「実行原理」)に基づくマッチングを補完する明示的な項マッチング (ii)問い合わせ項の独立性(すなわち「qti仮定」という。) モデルを完全に検索設定にスケールすること、及び三 ORCAS は、追加の文書記述フィールドとしてデータをクリックする。上記の3つの戦略がすべて,検索品質の向上につながる証拠を見出した。

関連論文リスト

LAMPER: LanguAge Model and Prompt EngineeRing for zero-shot time series classification [0.4821250031784094]
本研究では,Pmpt EngineeRing(LAMPER)フレームワークを用いたLanguAgeモデルを構築し,多種多様なプロンプトの調整において,事前学習言語モデル(PLM)の適応性を体系的に評価する。
論文参考訳（メタデータ） (2024-03-23T15:52:37Z)
Neural Coreference Resolution based on Reinforcement Learning [53.73316523766183]
コアレゾリューションシステムは2つのサブタスクを解決する必要がある。ひとつのタスクは、潜在的な言及のすべてを検出することであり、もう1つは、可能な言及ごとに前者のリンクを学習することである。本稿では,アクターをベースとした強化学習型ニューラルコア参照分解システムを提案する。
論文参考訳（メタデータ） (2022-12-18T07:36:35Z)
Distant finetuning with discourse relations for stance classification [55.131676584455306]
そこで本研究では,定位分類のモデルとして,原文から銀ラベルでデータを抽出し,微調整する手法を提案する。また,様々な段階において微調整に用いるデータのノイズレベルが減少する3段階のトレーニングフレームワークを提案する。 NLPCC 2021共有タスクArgumentative Text Understanding for AI Debaterでは,26の競合チームの中で1位にランクインした。
論文参考訳（メタデータ） (2022-04-27T04:24:35Z)
IITD-DBAI: Multi-Stage Retrieval with Pseudo-Relevance Feedback and Query Reformulation [0.0]
コンテキスト依存を解決することは、会話システムにおいて最も難しいタスクの1つです。我々の提案は、中央値モデルよりも平均的なNDCG@3パフォーマンスを実現した。
論文参考訳（メタデータ） (2022-03-31T14:07:47Z)
Control-Tutored Reinforcement Learning: Towards the Integration of Data-Driven and Model-Based Control [0.0]
本稿では,環境の近似モデルに基づくフィードバックコントローラが学習プロセスを支援し,そのデータ効率を向上させるアーキテクチャを提案する。このアーキテクチャは、制御チューニングQ-ラーニング(CTQL)と呼ばれ、2つの代替フレーバーで表現される。前者は報奨関数の定義に基づいて、ブーリアン条件を用いて制御チューターポリシーが採用されるタイミングを決定する。後者は確率的CTQL(pCTQL)と呼ばれ、学習中に特定の確率でチューターへの呼び出しを実行することに基づいている。
論文参考訳（メタデータ） (2021-12-11T16:34:36Z)
NOTE: Solution for KDD-CUP 2021 WikiKG90M-LSC [3.0716126507403545]
最近の表現学習法はFB15k-237のような標準データセットで大きな成功を収めている。我々は、OTE、QuatE、RotatE、TransEなど、さまざまなドメインで高度なアルゴリズムをトレーニングし、三つ子を学ぶ。表現の他に,主実体,関係,尾実体の様々な統計的確率を最終予測に用いている。
論文参考訳（メタデータ） (2021-07-05T09:30:24Z)
Wizard of Search Engine: Access to Information Through Conversations with Search Engines [58.53420685514819]
我々は3つの側面からCISの研究を促進するために努力している。目的検出(ID)、キーフレーズ抽出(KE)、行動予測(AP)、クエリ選択(QS)、通過選択(PS)、応答生成(RG)の6つのサブタスクでCIS用のパイプラインを定式化する。検索エンジンのウィザード(WISE)と呼ばれるベンチマークデータセットをリリースし、CISのすべての側面について包括的かつ詳細な調査を可能にします。
論文参考訳（メタデータ） (2021-05-18T06:35:36Z)
Improving Transformer-Kernel Ranking Model Using Conformer and Query Term Independence [29.442579683405913]
Transformer-Kernel(TK)モデルは、TREC Deep Learningベンチマークで強力なリランクパフォーマンスを示しています。 TKLと呼ばれるTKモデルの変種が開発され、より長い入力シーケンスを効率的に処理するためにローカルの自己意識が組み込まれている。本稿では,より長い入力列にtkをスケールするための代替手法として,新しい適合層を提案する。
論文参考訳（メタデータ） (2021-04-19T15:32:34Z)
Few-Shot Named Entity Recognition: A Comprehensive Study [92.40991050806544]
マルチショット設定のモデル一般化能力を向上させるための3つの手法を検討する。ラベル付きデータの比率の異なる10の公開nerデータセットについて経験的比較を行う。マルチショットとトレーニングフリーの両方の設定で最新の結果を作成します。
論文参考訳（メタデータ） (2020-12-29T23:43:16Z)
Proposal Learning for Semi-Supervised Object Detection [76.83284279733722]
地上の真理ラベルが利用できないため、ラベルのないデータで物体検出器を訓練するのは簡単ではない。ラベル付きデータとラベルなしデータの両方から提案特徴と予測を学習するための提案学習手法を提案する。
論文参考訳（メタデータ） (2020-01-15T00:06:59Z)

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。