論文の概要: Ask what's missing and what's useful: Improving Clarification Question Generation using Global Knowledge

• arxiv url: http://arxiv.org/abs/2104.06828v1
• Date: Wed, 14 Apr 2021 12:59:08 GMT
• ステータス: 処理完了
• システム内更新日: 2021-04-15 17:57:16.127114
• Title: Ask what's missing and what's useful: Improving Clarification Question Generation using Global Knowledge
• Title（参考訳）: 不足点と有用点を問う:グローバル知識を用いた明確化質問生成の改善
• Authors: Bodhisattwa Prasad Majumder, Sudha Rao, Michel Galley, Julian McAuley
• Abstract要約: 本稿では,質問生成モデルを提案する。 まず、グローバルビューとローカルビューの違いから何が欠けているのかを特定します。 次にモデルをトレーニングして、何が有用かを特定し、それに関する質問を生成します。
• 参考スコア（独自算出の注目度）: 20.149245317469454
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The ability to generate clarification questions i.e., questions that identify useful missing information in a given context, is important in reducing ambiguity. Humans use previous experience with similar contexts to form a global view and compare it to the given context to ascertain what is missing and what is useful in the context. Inspired by this, we propose a model for clarification question generation where we first identify what is missing by taking a difference between the global and the local view and then train a model to identify what is useful and generate a question about it. Our model outperforms several baselines as judged by both automatic metrics and humans.
• Abstract（参考訳）: 明確化問題、すなわち、与えられた文脈で有用な情報を特定する質問を生成する能力は、曖昧さを減らす上で重要である。 人間は、同じコンテキストを持つ以前の経験を使って、グローバルビューを形成し、与えられたコンテキストと比較し、何が欠けているか、そのコンテキストで何が役に立つかを確認する。 そこで本研究では,まずグローバルビューとローカルビューの差異から何が欠けているのかを識別し,何が役に立つのかを識別するためにモデルを訓練し,それに関する質問を生成するモデルを提案する。 我々のモデルは、自動測定と人間の両方で判断されるように、いくつかのベースラインを上回ります。

関連論文リスト

• Controllable Context Sensitivity and the Knob Behind It [53.70327066130381]
  予測を行う場合、言語モデルは、そのコンテキストとそれ以前の知識にどれだけ依存しているかをトレードオフする必要があります。 我々は,この感性を制御するノブを探索し,言語モデルが文脈から応答するか,それ以前の知識から応答するかを判断する。
  論文  参考訳（メタデータ） (2024-11-11T22:22:21Z)
• Context versus Prior Knowledge in Language Models [49.17879668110546]
  言語モデルは、事前学習中に学んだ事前知識と、文脈で提示された新しい情報を統合する必要があることが多い。 本稿では,モデルがコンテキストと先行するエンティティへの依存性を測定するための2つの相互情報ベースメトリクスを提案する。
  論文  参考訳（メタデータ） (2024-04-06T13:46:53Z)
• RECKONING: Reasoning through Dynamic Knowledge Encoding [51.076603338764706]
  言語モデルは、文脈の一部として提供される知識について推論することで、質問に答えることができることを示す。 これらの状況では、モデルは質問に答えるために必要な知識を区別することができない。 我々は、与えられた文脈知識をモデルのパラメータに折り畳み、より堅牢に推論するようにモデルに教えることを提案する。
  論文  参考訳（メタデータ） (2023-05-10T17:54:51Z)
• Large Language Models Can Be Easily Distracted by Irrelevant Context [29.315230178997002]
  本研究では,モデル解の精度が無関係な文脈によってどのように影響されるかを検討する。 我々は,大規模言語モデルにおける最先端のプロンプト手法の散らかしやすさをベンチマークで測定する。
  論文  参考訳（メタデータ） (2023-01-31T20:48:57Z)
• CLAM: Selective Clarification for Ambiguous Questions with Large Language Models [37.37606905433334]
  我々は,現在の SotA モデルでは,不正確な質問を提示しても,ユーザに対して明確化を求めないことを示す。 CLAMは,まずモデルを用いて曖昧な質問を検知し,不明瞭な質問が検出された場合,ユーザに対して明確化を求める。 本研究では,新しいあいまいな質問応答データセットを用いて,SotAに対して20.15パーセントの精度向上を実現していることを示す。
  論文  参考訳（メタデータ） (2022-12-15T12:47:18Z)
• Controllable Open-ended Question Generation with A New Question Type Ontology [6.017006996402699]
  複数の文で通常答えられるオープンエンドな質問を生成するという,探索の少ない課題について検討する。 まず、広く使われている質問語よりも、質問のニュアンスの性質をよりよく区別する新しい質問型オントロジーを定義する。 次に,意味グラフ表現によって拡張された質問型認識型質問生成フレームワークを提案する。
  論文  参考訳（メタデータ） (2021-07-01T00:02:03Z)
• Comprehension Based Question Answering using Bloom's Taxonomy [8.251213999300479]
  ブルームの分類学は、教育者が理解力の分類によって知識の使い方を教えるのに役立つ。 我々はそれを用いて、大規模な事前学習言語モデルの理解能力を分析し、改善する。
  論文  参考訳（メタデータ） (2021-06-08T19:32:21Z)
• Knowledge-driven Data Construction for Zero-shot Evaluation in Commonsense Question Answering [80.60605604261416]
  本稿では,共通認識課題にまたがるゼロショット質問応答のための新しいニューラルシンボリック・フレームワークを提案する。 言語モデル、トレーニング体制、知識ソース、データ生成戦略のセットを変えて、タスク間の影響を測定します。 個別の知識グラフは特定のタスクに適しているが、グローバルな知識グラフはさまざまなタスクに対して一貫した利得をもたらす。
  論文  参考訳（メタデータ） (2020-11-07T22:52:21Z)
• Quantifying Learnability and Describability of Visual Concepts Emerging in Representation Learning [91.58529629419135]
  我々は、ディープニューラルネットワークによって自動的に発見された視覚的なグルーピングを特徴付ける方法を検討する。 本稿では、任意の画像グループ化の解釈可能性の定量化に使用できる視覚的学習可能性と記述可能性という2つの概念を紹介する。
  論文  参考訳（メタデータ） (2020-10-27T18:41:49Z)
• Visual Question Answering with Prior Class Semantics [50.845003775809836]
  候補解のセマンティクスに関連する追加情報を利用する方法を示す。 セマンティック空間における回帰目標を用いて解答予測プロセスを拡張する。 提案手法は,様々な質問タイプに対して,一貫性と精度の向上をもたらす。
  論文  参考訳（メタデータ） (2020-05-04T02:46:31Z)

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。