論文の概要: Coarse-grained decomposition and fine-grained interaction for multi-hop question answering

• arxiv url: http://arxiv.org/abs/2101.05988v1
• Date: Fri, 15 Jan 2021 06:56:34 GMT
• ステータス: 処理完了
• システム内更新日: 2021-03-28 20:14:18.584661
• Title: Coarse-grained decomposition and fine-grained interaction for multi-hop question answering
• Title（参考訳）: マルチホップ質問応答における粒度分解と粒度相互作用
• Authors: Xing Cao, Yun Liu
• Abstract要約: 多くの複雑なクエリはマルチホップ推論を必要とする。 Bi-DAFは通常、複雑な質問における単語の表面意味論のみをキャプチャする。 マルチホップ回答のための新しいモデルアーキテクチャを提案する。
• 参考スコア（独自算出の注目度）: 5.88731657602706
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Recent advances regarding question answering and reading comprehension have resulted in models that surpass human performance when the answer is contained in a single, continuous passage of text, requiring only single-hop reasoning. However, in actual scenarios, lots of complex queries require multi-hop reasoning. The key to the Question Answering task is semantic feature interaction between documents and questions, which is widely processed by Bi-directional Attention Flow (Bi-DAF), but Bi-DAF generally captures only the surface semantics of words in complex questions and fails to capture implied semantic feature of intermediate answers. As a result, Bi-DAF partially ignores part of the contexts related to the question and cannot extract the most important parts of multiple documents. In this paper we propose a new model architecture for multi-hop question answering, by applying two completion strategies: (1) Coarse-Grain complex question Decomposition (CGDe) strategy are introduced to decompose complex question into simple ones under the condition of without any additional annotations (2) Fine-Grained Interaction (FGIn) strategy are introduced to better represent each word in the document and extract more comprehensive and accurate sentences related to the inference path. The above two strategies are combined and tested on the SQuAD and HotpotQA datasets, and the experimental results show that our method outperforms state-of-the-art baselines.
• Abstract（参考訳）: 質問応答と読解に関する最近の進歩は、回答が1つの連続的なテキストの通過に含まれるとき、人間のパフォーマンスを上回るモデルとなり、シングルホップ推論のみを必要とする。 しかし、実際のシナリオでは、多くの複雑なクエリはマルチホップ推論を必要とする。 質問応答タスクの鍵は文書と質問の間の意味的特徴の相互作用であり、双方向の注意フロー(bi-daf)によって広く処理されるが、bi-dafは一般に複雑な質問における単語の表面的意味のみを捉え、中間的回答の意味的特徴を暗黙的に捉えることができない。 その結果、Bi-DAFは問題に関連するコンテキストの一部を部分的に無視し、複数の文書の最も重要な部分を抽出することができない。 本稿では,(1)粗粒複合質問分解(cgde)戦略を導入して,追加アノテーションなしで複雑な質問を単純な質問に分解する(2)細粒度インタラクション(fgin)戦略を導入し,文書中の各単語をよりよく表現し,推論パスに関連するより包括的で正確な文を抽出する。 以上の2つの戦略をSQuADとHotpotQAデータセットで組み合わせ,実験した結果,本手法が最先端のベースラインより優れていることが示された。

関連論文リスト

• HOLMES: Hyper-Relational Knowledge Graphs for Multi-hop Question Answering using LLMs [9.559336828884808]
  大規模言語モデル(LLM)は、単純な(シングルホップ)質問に答えるには適しています。 質問の複雑さが増すにつれて、LLMの性能は低下する。 最近の手法では、構造化知識三重項を原文に組み込むことで、この負担を軽減しようとしている。 本稿では,知識グラフ(KG)を用いてコンテキスト認識し,クエリ関連情報を含むように蒸留する手法を提案する。
  論文  参考訳（メタデータ） (2024-06-10T05:22:49Z)
• HPE:Answering Complex Questions over Text by Hybrid Question Parsing and Execution [92.69684305578957]
  テキストQAにおける質問解析と実行の枠組みを提案する。 提案したフレームワークは、トップダウンの質問パースとして、ボトムアップの回答バックトラックとみなすことができる。 MuSiQue,2WikiQA,HotpotQA,およびNQに関する実験により,提案した解析およびハイブリッド実行フレームワークが,教師付き,少数ショット,ゼロショット設定における既存のアプローチより優れていることを示す。
  論文  参考訳（メタデータ） (2023-05-12T22:37:06Z)
• Successive Prompting for Decomposing Complex Questions [50.00659445976735]
  最近の研究は、大規模言語モデル(LM)の機能を活用して、数ショットで複雑な質問応答を行う。 そこでは、複雑なタスクを単純なタスクに繰り返し分解し、それを解決し、最終解を得るまでプロセスを繰り返します。 我々の最良のモデル(逐次プロンプト付き)は、DROPデータセットの数ショットバージョンにおいて、5%の絶対F1の改善を実現します。
  論文  参考訳（メタデータ） (2022-12-08T06:03:38Z)
• Complex Reading Comprehension Through Question Decomposition [48.256818683923626]
  本稿では,言語モデルによる難解なマルチホップ質問の理解を支援する新しい学習手法を提案する。 我々のモデルはまず、訓練可能な質問分解器によって、各マルチホップ質問をいくつかのサブクエストに分解することを学ぶ。 我々は,シーケンス・ツー・シーケンス方式で解答を予測するために,読解理解モデルを活用する。
  論文  参考訳（メタデータ） (2022-11-07T02:54:04Z)
• Modeling Multi-hop Question Answering as Single Sequence Prediction [88.72621430714985]
  本稿では,単純な生成手法(PathFid)を提案する。 PathFidは、マルチホップ質問に対する回答を解決するための推論プロセスを明示的にモデル化する。 実験の結果,PathFidは2つのマルチホップQAデータセットに対して高い性能向上をもたらすことが示された。
  論文  参考訳（メタデータ） (2022-05-18T21:57:59Z)
• Open Question Answering over Tables and Text [55.8412170633547]
  オープンな質問応答(QA)では、質問に対する回答は、質問に対する回答を含む可能性のある文書を検索して分析することによって生成される。 ほとんどのオープンQAシステムは、構造化されていないテキストからのみ情報を取得することを検討している。 我々は,このタスクの性能を評価するために,新しい大規模データセット Open Table-and-Text Question Answering (OTT-QA) を提案する。
  論文  参考訳（メタデータ） (2020-10-20T16:48:14Z)
• Answering Any-hop Open-domain Questions with Iterative Document Reranking [62.76025579681472]
  オープンドメインの問に答える統合QAフレームワークを提案する。 提案手法は,シングルホップおよびマルチホップのオープンドメインQAデータセットにおいて,最先端技術に匹敵する性能を継続的に達成する。
  論文  参考訳（メタデータ） (2020-09-16T04:31:38Z)

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。