論文の概要: Learn to Resolve Conversational Dependency: A Consistency Training Framework for Conversational Question Answering

• arxiv url: http://arxiv.org/abs/2106.11575v1
• Date: Tue, 22 Jun 2021 07:16:45 GMT
• ステータス: 処理完了
• システム内更新日: 2021-06-23 15:14:32.755701
• Title: Learn to Resolve Conversational Dependency: A Consistency Training Framework for Conversational Question Answering
• Title（参考訳）: 会話依存を解決するための学習:会話質問回答のための一貫性学習フレームワーク
• Authors: Gangwoo Kim, Hyunjae Kim, Jungsoo Park, Jaewoo Kang
• Abstract要約: 本稿では,会話の文脈を理解する上で,QAモデルの能力を高めるためにExCorD(会話依存の解決方法の明示的ガイダンス)を提案する。 実験では,QuACでは1.2F1,CANARDでは5.2F1,QAモデルでは1.2F1に改善した。
• 参考スコア（独自算出の注目度）: 14.382513103948897
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: One of the main challenges in conversational question answering (CQA) is to resolve the conversational dependency, such as anaphora and ellipsis. However, existing approaches do not explicitly train QA models on how to resolve the dependency, and thus these models are limited in understanding human dialogues. In this paper, we propose a novel framework, ExCorD (Explicit guidance on how to resolve Conversational Dependency) to enhance the abilities of QA models in comprehending conversational context. ExCorD first generates self-contained questions that can be understood without the conversation history, then trains a QA model with the pairs of original and self-contained questions using a consistency-based regularizer. In our experiments, we demonstrate that ExCorD significantly improves the QA models' performance by up to 1.2 F1 on QuAC, and 5.2 F1 on CANARD, while addressing the limitations of the existing approaches.
• Abstract（参考訳）: 会話質問応答(CQA)の主な課題の1つは、アナフォラやエリプシスのような会話依存を解決することである。 しかしながら、既存のアプローチでは依存関係の解決方法に関するQAモデルを明示的に訓練していないため、これらのモデルは人間の対話を理解するのに限られている。 本稿では,会話の文脈を理解する上でQAモデルの能力を高めるための新しいフレームワークであるExCorD (Explicit Guide onsolving Conversational Dependency)を提案する。 ExCorDはまず、会話履歴なしで理解できる自己完結した質問を生成し、その後、一貫性に基づく正規化器を用いて、元の質問と自己完結した質問のペアでQAモデルを訓練する。 実験では,既存のアプローチの限界に対処しながら,QuACでは1.2F1,CANARDでは5.2F1,QAモデルでは1.2F1に改善した。

関連論文リスト

• QUDEVAL: The Evaluation of Questions Under Discussion Discourse Parsing [87.20804165014387]
  Questions Under discussions (QUD) は、言論を継続的に質問し、答えるように進行する多目的言語フレームワークである。 本研究はQUD解析の自動評価のための最初のフレームワークを紹介する。 細調整されたシステムとLLMの両方から生成された2,190のQUD質問のきめ細かい評価データセットであるQUDevalを提案する。
  論文  参考訳（メタデータ） (2023-10-23T03:03:58Z)
• Keeping the Questions Conversational: Using Structured Representations to Resolve Dependency in Conversational Question Answering [26.997542897342164]
  本稿では,中間表現を会話の手がかりとして捉え,生成するための新しいフレームワークCONVSR(CONVQA using Structured Representations)を提案する。 我々はQuACとCANARDのデータセット上でモデルをテストし、提案するフレームワークが標準的な質問書き直しモデルよりも優れたF1スコアを達成できることを実験結果により示す。
  論文  参考訳（メタデータ） (2023-04-14T13:42:32Z)
• DialogQAE: N-to-N Question Answer Pair Extraction from Customer Service Chatlog [34.69426306212259]
  そこで,N-to-NQA抽出タスクを提案する。 5つのカスタマサービスデータセット上で良好に機能する、エンドツーエンドと2段階のバリエーションを備えた、生成的/識別的タグ付けベースの一連の方法を紹介します。
  論文  参考訳（メタデータ） (2022-12-14T09:05:14Z)
• Reinforced Question Rewriting for Conversational Question Answering [25.555372505026526]
  対話型質問を自己完結型質問に書き換えるモデルを開発した。 既存のシングルターンQAシステムを使用することで、CQAモデルをスクラッチからトレーニングすることを回避することができる。 我々は、強化学習による書き換えモデルの監督にQAフィードバックを用いることを提案する。
  論文  参考訳（メタデータ） (2022-10-27T21:23:36Z)
• Discourse Analysis via Questions and Answers: Parsing Dependency Structures of Questions Under Discussion [57.43781399856913]
  この研究は、談話分析にQUD(Language framework of Questions Under discussion)を採用する。 我々は、文間の関係を、徹底的なきめ細かい質問とは対照的に、自由形式の質問として特徴づける。 完全文書上の質問の依存関係構造を導出する第一種QUDを開発する。
  論文  参考訳（メタデータ） (2022-10-12T03:53:12Z)
• CoQAR: Question Rewriting on CoQA [0.0]
  CoQARは、Conversational Question-AnsweringデータセットのCoQAから4.5ドルの会話を含むコーパスである。 CoQARは、質問パラフレーズ、質問書き換え、会話型質問応答の3つのタスクの教師あり学習に利用できる。
  論文  参考訳（メタデータ） (2022-07-07T11:47:22Z)
• Improving Unsupervised Question Answering via Summarization-Informed Question Generation [47.96911338198302]
  質問生成 (QG) とは, 質問文, 質問文, 質問文, 質問文, 質問文, 質問文, 質問文, 質問文, 質問文, 質問文, 質問文、質問文、質問文、質問文、質問文、質問文、質問文、質問文、質問文、質問文、質問文、質問文、質問文、質問文、質問文、質問文、質問文、質問文、質問文、 我々は、自由なニュース要約データを使用し、宣言文を依存性解析、名前付きエンティティ認識、セマンティックロールラベリングを用いて適切な質問に変換する。 得られた質問は、元のニュース記事と組み合わせて、エンドツーエンドのニューラルQGモデルをトレーニングする。
  論文  参考訳（メタデータ） (2021-09-16T13:08:43Z)
• GTM: A Generative Triple-Wise Model for Conversational Question Generation [36.33685095934868]
  オープンドメイン対話型質問生成(CQG)のための階層的変動を考慮した3次元生成モデルを提案する。 提案手法は, 競争ベースラインよりも流線型, コヒーレンス, 多様性の観点から, 質問の質を著しく向上させる。
  論文  参考訳（メタデータ） (2021-06-07T14:07:07Z)
• Learning from Lexical Perturbations for Consistent Visual Question Answering [78.21912474223926]
  既存のVisual Question Answering (VQA)モデルは、しばしば脆弱で入力のバリエーションに敏感である。 本稿では,モジュール型ネットワークに基づく新たなアプローチを提案し,言語摂動による2つの疑問を提起する。 VQA Perturbed Pairings (VQA P2) も提案する。
  論文  参考訳（メタデータ） (2020-11-26T17:38:03Z)
• Towards Data Distillation for End-to-end Spoken Conversational Question Answering [65.124088336738]
  音声対話型質問応答タスク(SCQA)を提案する。 SCQAは,音声発話とテキストコーパスから複雑な対話の流れをモデル化することを目的としている。 我々の主な目的は、音声とテキストの両方で会話的な質問に対処するQAシステムを構築することである。
  論文  参考訳（メタデータ） (2020-10-18T05:53:39Z)
• Generating Diverse and Consistent QA pairs from Contexts with Information-Maximizing Hierarchical Conditional VAEs [62.71505254770827]
  非構造化テキストを文脈として与えられたQAペアを生成するための条件付き変分オートエンコーダ(HCVAE)を提案する。 我々のモデルは、トレーニングにわずかなデータしか使わず、両方のタスクの全てのベースラインに対して印象的なパフォーマンス向上が得られる。
  論文  参考訳（メタデータ） (2020-05-28T08:26:06Z)

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。