論文の概要: Red Dragon AI at TextGraphs 2021 Shared Task: Multi-Hop Inference Explanation Regeneration by Matching Expert Ratings

• arxiv url: http://arxiv.org/abs/2107.13031v1
• Date: Tue, 27 Jul 2021 18:29:51 GMT
• ステータス: 処理完了
• システム内更新日: 2021-07-29 14:09:14.342665
• Title: Red Dragon AI at TextGraphs 2021 Shared Task: Multi-Hop Inference Explanation Regeneration by Matching Expert Ratings
• Title（参考訳）: TextGraphs 2021のRed Dragon AI共有タスク: エキスパートレーティングのマッチングによるマルチホップ推論説明再生
• Authors: Vivek Kalyan and Sam Witteveen and Martin Andrews
• Abstract要約: 今年、関連するステートメントを収集する問題について、Textgraphs Shared Taskを再フォーカスするため、WorldTreeデータセットは、各説明全体に対して「関連性」のステートメントを専門的に評価して拡張された。 我々のシステムは、共有タスクのリーダーボードで2位を獲得し、最初のステートメントの検索、関連性のスコアを予測するために訓練された言語モデル、そしてその結果のランキングをまとめる。
• 参考スコア（独自算出の注目度）: 0.5156484100374059
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Creating explanations for answers to science questions is a challenging task that requires multi-hop inference over a large set of fact sentences. This year, to refocus the Textgraphs Shared Task on the problem of gathering relevant statements (rather than solely finding a single 'correct path'), the WorldTree dataset was augmented with expert ratings of 'relevance' of statements to each overall explanation. Our system, which achieved second place on the Shared Task leaderboard, combines initial statement retrieval; language models trained to predict the relevance scores; and ensembling of a number of the resulting rankings. Our code implementation is made available at https://github.com/mdda/worldtree_corpus/tree/textgraphs_2021
• Abstract（参考訳）: 科学的な質問に対する答えの説明を作成することは、大量の事実文に対するマルチホップ推論を必要とする困難なタスクである。 今年、テキストグラフが共有するタスクを、関連するステートメントの収集の問題(単に1つの"正しいパス"を見つけるのではなく)に再焦点を当てるために、worldtreeデータセットには、各説明に対するステートメントの「関連」のエキスパートレーティングが加えられた。 共有タスクリーダボードで2位となったシステムでは,最初の文検索,関連性スコアの予測にトレーニングされた言語モデル,結果のランキングをセンセンブルする。 私たちのコード実装はhttps://github.com/mdda/worldtree_corpus/tree/textgraphs_2021で利用可能です。

関連論文リスト

• G-Retriever: Retrieval-Augmented Generation for Textual Graph Understanding and Question Answering [61.93058781222079]
  現実のテキストグラフを対象とするフレキシブルな問合せフレームワークを開発した。 一般のテキストグラフに対する最初の検索拡張生成(RAG)手法を提案する。 G-Retrieverは、このタスクをSteiner Tree最適化問題として定式化し、グラフ上でRAGを実行する。
  論文  参考訳（メタデータ） (2024-02-12T13:13:04Z)
• Explanation Selection Using Unlabeled Data for Chain-of-Thought Prompting [80.9896041501715]
  非専門家によって書かれたオフ・ザ・シェルフの説明のように、タスクのために"チューニング"されていない説明は、中途半端なパフォーマンスをもたらす可能性がある。 本稿では,ブラックボックス方式で説明拡散プロンプトを最適化する方法の課題に対処する。
  論文  参考訳（メタデータ） (2023-02-09T18:02:34Z)
• Semantic Parsing for Conversational Question Answering over Knowledge Graphs [63.939700311269156]
  本研究では,ユーザの質問にSparqlパースとアノテートし,システム回答が実行結果に対応するデータセットを開発する。 本稿では,2つの意味解析手法を提案し,その課題を強調した。 私たちのデータセットとモデルはhttps://github.com/Edinburgh/SPICE.orgで公開されています。
  論文  参考訳（メタデータ） (2023-01-28T14:45:11Z)
• ConvFinQA: Exploring the Chain of Numerical Reasoning in Conversational Finance Question Answering [70.6359636116848]
  本稿では,対話型質問応答における数値推論の連鎖を研究するために,新しい大規模データセットConvFinQAを提案する。 我々のデータセットは、現実世界の会話において、長距離で複雑な数値推論パスをモデル化する上で大きな課題となる。
  論文  参考訳（メタデータ） (2022-10-07T23:48:50Z)
• niksss at HinglishEval: Language-agnostic BERT-based Contextual Embeddings with Catboost for Quality Evaluation of the Low-Resource Synthetically Generated Code-Mixed Hinglish Text [0.0]
  本稿では,INLG 2022におけるHinglishEvalチャレンジのシステム記述について述べる。 本研究の目的は,コード混合テキスト生成システムの品質に影響を及ぼす要因について検討することであった。
  論文  参考訳（メタデータ） (2022-06-17T17:36:03Z)
• Controversy Detection: a Text and Graph Neural Network Based Approach [0.0]
  論争の内容は、ポジティブとネガティブの両方のフィードバックを惹きつけるあらゆるコンテンツを指す。 既存のアプローチのほとんどは、トピックのディスカッションやメッセージの内容のグラフ構造に依存しています。 本稿では,議論のグラフ構造とテキストの特徴に基づく論争検出手法を提案する。
  論文  参考訳（メタデータ） (2021-12-03T09:06:46Z)
• ABCD: A Graph Framework to Convert Complex Sentences to a Covering Set of Simple Sentences [7.639576741566091]
  本稿では,各複雑な文を,ソースのテンション付き節から派生した単純な文に分解するタスクを提案する。 私たちのニューラルモデルは、単語の隣接性と文法的依存関係を組み合わせたグラフのアクセプション、ブレーク、コピー、ドロップの各要素を学びます。 複雑な文分解の訓練と評価を目的とした新しいデータセットであるDeSSEを紹介する。
  論文  参考訳（メタデータ） (2021-06-22T19:31:28Z)
• Coarse-grained decomposition and fine-grained interaction for multi-hop question answering [5.88731657602706]
  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。
  論文  参考訳（メタデータ） (2021-01-15T06:56:34Z)
• Red Dragon AI at TextGraphs 2020 Shared Task: LIT : LSTM-Interleaved Transformer for Multi-Hop Explanation Ranking [0.5156484100374059]
  LSTM-Interleaved Transformerは,各クエリとドキュメントのペアを分離して表示するためのメソッドの制限に対処すべく提案する。 LITアーキテクチャは、リランク設定で以前のランキングポジションを活用できます。 私たちのモデルは、TextGraphs 2020共有タスクの現在のリーダーボードで競争力があり、テストセットMAP0.5607を達成しました。
  論文  参考訳（メタデータ） (2020-12-28T09:54:00Z)
• Multi-hop Question Generation with Graph Convolutional Network [58.31752179830959]
  マルチホップ質問生成(Multi-hop Question Generation, QG)は,異なる段落から散在する複数の証拠を集約・推論することで,回答に関連する質問を生成することを目的とする。 複数のホップでコンテキストエンコーディングを行うMulQG(Multi-Hop volution Fusion Network for Question Generation)を提案する。 提案モデルでは,高い完全性を有する流動的な質問を生成することができ,マルチホップ評価において,最強のベースラインを20.8%向上させることができる。
  論文  参考訳（メタデータ） (2020-10-19T06:15:36Z)
• Semantic Graphs for Generating Deep Questions [98.5161888878238]
  本稿では、まず、入力文書のセマンティックレベルグラフを構築し、次にアテンションベースのGGNN(Att-GGNN)を導入してセマンティックグラフを符号化する新しいフレームワークを提案する。 HotpotQAのDeep-question中心のデータセットでは、複数の事実の推論を必要とする問題よりもパフォーマンスが大幅に向上し、最先端のパフォーマンスを実現しています。
  論文  参考訳（メタデータ） (2020-04-27T10:52:52Z)

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。