論文の概要: Reader-Guided Passage Reranking for Open-Domain Question Answering

• arxiv url: http://arxiv.org/abs/2101.00294v1
• Date: Fri, 1 Jan 2021 18:54:19 GMT
• ステータス: 処理完了
• システム内更新日: 2021-04-16 11:14:44.684900
• Title: Reader-Guided Passage Reranking for Open-Domain Question Answering
• Title（参考訳）: オープンドメイン質問応答のための読者案内パスリランキング
• Authors: Yuning Mao, Pengcheng He, Xiaodong Liu, Yelong Shen, Jianfeng Gao, Jiawei Han, Weizhu Chen
• Abstract要約: シンプルで効果的なパスリランク方式であるReader-guided Reranker(Rider)を提案します。 riderは、トップ1の検索精度で10〜20の絶対的なゲインを達成し、1〜4の正確なマッチ(em)スコアを得る。 RiderはNatural Questionsデータセットで48.3EM、TriviaQAデータセットで66.4を達成し、1,024トークン(平均7.8パス)のみをリーダー入力として使用します。
• 参考スコア（独自算出の注目度）: 103.18340682345533
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Current open-domain question answering (QA) systems often follow a Retriever-Reader (R2) architecture, where the retriever first retrieves relevant passages and the reader then reads the retrieved passages to form an answer. In this paper, we propose a simple and effective passage reranking method, Reader-guIDEd Reranker (Rider), which does not involve any training and reranks the retrieved passages solely based on the top predictions of the reader before reranking. We show that Rider, despite its simplicity, achieves 10 to 20 absolute gains in top-1 retrieval accuracy and 1 to 4 Exact Match (EM) score gains without refining the retriever or reader. In particular, Rider achieves 48.3 EM on the Natural Questions dataset and 66.4 on the TriviaQA dataset when only 1,024 tokens (7.8 passages on average) are used as the reader input.
• Abstract（参考訳）: 現在のオープンドメイン質問応答 (QA) システムはRetriever-Reader (R2) アーキテクチャに従うことが多い。 本稿では,学習を含まず,読み手のトップ予測のみに基づいて検索された文章を再ランク付けする,読み手案内リランクカー(rider)という,簡便で効果的なパスランク付け手法を提案する。 我々は,Riderが単純であるにもかかわらず,トップ1検索精度で10～20の絶対ゲインを達成し,レシーバやリーダを書き換えることなく1～4のエクサクトマッチ(EM)スコアを得られることを示す。 特に、読者入力として1,024個のトークン(平均7.8個のパス)を使用する場合、riderは自然質問データセットで48.3 em、triviaqaデータセットで66.4 emを達成する。

関連論文リスト

• LoRE: Logit-Ranked Retriever Ensemble for Enhancing Open-Domain Question Answering [0.0]
  位置バイアスを緩和することで解答精度と妥当性を向上させる新しいアプローチであるLoREを提案する。 LoREはBM25やFAISSインデックス付き文変換器といった多様なレトリバーのアンサンブルを使用している。 重要な革新は、ロジットベースの回答ランキングアルゴリズムで、大きな言語モデルからのロジットスコアとパスの検索ランクを組み合わせたものである。
  論文  参考訳（メタデータ） (2024-10-13T23:06:08Z)
• Bidirectional End-to-End Learning of Retriever-Reader Paradigm for Entity Linking [57.44361768117688]
  RetrieverとReaderのための双方向エンドツーエンドトレーニングフレームワークであるBEER$2$を提案する。 設計した双方向のエンドツーエンドトレーニングを通じて、BEER$2$は、レトリバーとリーダーをガイドし、互いに学び、一緒に前進し、最終的にELパフォーマンスを改善する。
  論文  参考訳（メタデータ） (2023-06-21T13:04:30Z)
• ReFIT: Relevance Feedback from a Reranker during Inference [109.33278799999582]
  Retrieve-and-Rerankは、ニューラル情報検索の一般的なフレームワークである。 本稿では,リランカを利用してリコールを改善する手法を提案する。
  論文  参考訳（メタデータ） (2023-05-19T15:30:33Z)
• Improving Passage Retrieval with Zero-Shot Question Generation [109.11542468380331]
  オープンな質問応答における経路検索を改善するための,シンプルで効果的な再ランク付け手法を提案する。 再ランカは、学習済み言語モデルを用いて、検索されたパスに条件付けられた入力質問の確率を算出するゼロショット質問生成モデルを用いて、検索されたパスを再スコアする。
  論文  参考訳（メタデータ） (2022-04-15T14:51:41Z)
• End-to-End Training of Neural Retrievers for Open-Domain Question Answering [32.747113232867825]
  ニューラルレトリバーに対して、非監視および監督された方法が最も効果的に使用できるかは不明である。 Inverse Cloze Taskとマスク付きサラエントスパンによる教師なしプリトレーニングのアプローチを提案します。 また,OpenQAモデルにおけるリーダとレシーバコンポーネントのエンドツーエンド教師付きトレーニングのための2つのアプローチについても検討する。
  論文  参考訳（メタデータ） (2021-01-02T09:05:34Z)
• Distilling Knowledge from Reader to Retriever for Question Answering [16.942581590186343]
  我々は,知識蒸留に触発された下流タスクのレトリバーモデルを学ぶ手法を提案する。 質問応答の方法を評価し,最新の結果を得た。
  論文  参考訳（メタデータ） (2020-12-08T17:36:34Z)
• Is Retriever Merely an Approximator of Reader? [27.306407064073177]
  読み手と受け手は,精度の点でのみ相補的であることを示す。 我々は,レトリバーにリーダを蒸留し,レトリバーが読者の強度を吸収し,自身の利益を維持することを提案する。
  論文  参考訳（メタデータ） (2020-10-21T13:40:15Z)
• No Answer is Better Than Wrong Answer: A Reflection Model for Document Level Machine Reading Comprehension [92.57688872599998]
  本稿では,全ての回答型を体系的に扱う新しい手法を提案する。 特に,2段階の訓練手法を応用し,非解答事例と誤答事例を識別する反射ネットという新しい手法を提案する。 F1スコアはそれぞれ77.2点,64.1点であった。
  論文  参考訳（メタデータ） (2020-09-25T06:57:52Z)
• Open-Domain Question Answering with Pre-Constructed Question Spaces [70.13619499853756]
  オープンドメインの質問応答は、大量の文書の集合の中でユーザ生成した質問に対する回答を見つけるという課題を解決することを目的としている。 ソリューションには、レトリバーリーダーとナレッジグラフベースのアプローチの2つのファミリーがある。 本稿では,両家系と異なるリーダ・リトリバー構造を持つ新しいアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2020-06-02T04:31:09Z)

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。