論文の概要: Reference-based Weak Supervision for Answer Sentence Selection using Web Data

• arxiv url: http://arxiv.org/abs/2104.08943v1
• Date: Sun, 18 Apr 2021 19:41:17 GMT
• ステータス: 処理完了
• システム内更新日: 2021-04-20 14:32:12.357464
• Title: Reference-based Weak Supervision for Answer Sentence Selection using Web Data
• Title（参考訳）: webデータを用いた回答文選択のための参照ベース弱監督
• Authors: Vivek Krishnamurthy, Thuy Vu, Alessandro Moschitti
• Abstract要約: 完全自動大規模データパイプラインであるReference-based Weak Supervision (RWS)を紹介する。 RWSは豊富なWebデータから高品質な教師付き回答を抽出する。 我々の実験は、生成したデータが常にTANDAを支えていることを示している。
• 参考スコア（独自算出の注目度）: 87.18646699292293
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Answer sentence selection (AS2) modeling requires annotated data, i.e., hand-labeled question-answer pairs. We present a strategy to collect weakly supervised answers for a question based on its reference to improve AS2 modeling. Specifically, we introduce Reference-based Weak Supervision (RWS), a fully automatic large-scale data pipeline that harvests high-quality weakly-supervised answers from abundant Web data requiring only a question-reference pair as input. We study the efficacy and robustness of RWS in the setting of TANDA, a recent state-of-the-art fine-tuning approach specialized for AS2. Our experiments indicate that the produced data consistently bolsters TANDA. We achieve the state of the art in terms of P@1, 90.1%, and MAP, 92.9%, on WikiQA.
• Abstract（参考訳）: 回答文選択(AS2)モデリングには注釈付きデータ、すなわち手書きの質問-回答ペアが必要である。 本稿では,AS2 モデルの改良をめざして,質問に対する弱教師付き回答を収集する戦略を提案する。 具体的には,完全な自動大規模データパイプラインであるrws(reference-based weak supervision)を導入し,質問参照ペアのみを入力として要求する豊富なwebデータから,高品質な弱教師付き回答を抽出した。 本稿では,AS2を専門とする最近の最先端の微調整手法であるTANDAの設定におけるRWSの有効性とロバスト性について検討する。 我々の実験は、生成したデータが常にTANDAを支えていることを示している。 WikiQA では P@1, 90.1%, MAP 92.9% で芸術の状態を達成している。

関連論文リスト

• Extracting Psychological Indicators Using Question Answering [0.0]
  本稿では,BIG5の心理的特徴の1つを示すテキストスパン抽出手法を提案する。 我々はSQuAD 2.0データセットを微調整したRoBERTaモデルを利用した。
  論文  参考訳（メタデータ） (2023-05-24T08:41:23Z)
• Knowledge Transfer from Answer Ranking to Answer Generation [97.38378660163414]
  我々は、訓練されたAS2モデルから知識を伝達することで、GenQAモデルをトレーニングすることを提案する。 また,AS2モデル予測スコアを損失重み付けおよびスコア条件付き入出力整形に用いることを提案する。
  論文  参考訳（メタデータ） (2022-10-23T21:51:27Z)
• Question-Answer Sentence Graph for Joint Modeling Answer Selection [122.29142965960138]
  我々は,質問文,質問文,回答文のペア間のスコアを計算するための最先端(SOTA)モデルを訓練し,統合する。 オンライン推論は、目に見えないクエリのAS2タスクを解決するために実行される。
  論文  参考訳（メタデータ） (2022-02-16T05:59:53Z)
• Joint Models for Answer Verification in Question Answering Systems [85.93456768689404]
  我々は3方向のマルチクラス化器を構築し、解答が他の解答をサポートするか、反証するか、あるいは中立かを決定する。 私たちは、WikiQA、TREC-QA、実世界のデータセットでモデルをテストしました。
  論文  参考訳（メタデータ） (2021-07-09T05:34:36Z)
• Modeling Context in Answer Sentence Selection Systems on a Latency Budget [87.45819843513598]
  本稿では,AS2モデルに文脈情報を効率的に組み込む手法を提案する。 各回答候補について、まず教師なし類似性手法を用いて、その原文から関連文を抽出する。 マルチウェイアテンションアーキテクチャを活用してコンテキストを効率的にエンコードする私たちのベストなアプローチは、AS2の非問合せ状態よりも6%から11%改善し、システムレイテンシに最小限の影響を与えます。
  論文  参考訳（メタデータ） (2021-01-28T16:24:48Z)
• Harvesting and Refining Question-Answer Pairs for Unsupervised QA [95.9105154311491]
  教師なし質問回答(QA)を改善するための2つのアプローチを提案する。 まず、ウィキペディアから語彙的・構文的に異なる質問を抽出し、質問応答対のコーパスを自動的に構築する(RefQAと名づけられる)。 第2に、より適切な回答を抽出するためにQAモデルを活用し、RefQA上でデータを反復的に洗練する。
  論文  参考訳（メタデータ） (2020-05-06T15:56:06Z)

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。