論文の概要: Adaptive Information Seeking for Open-Domain Question Answering

• arxiv url: http://arxiv.org/abs/2109.06747v1
• Date: Tue, 14 Sep 2021 15:08:13 GMT
• ステータス: 処理完了
• システム内更新日: 2021-09-15 20:31:16.031674
• Title: Adaptive Information Seeking for Open-Domain Question Answering
• Title（参考訳）: オープンドメイン質問応答のための適応情報探索
• Authors: Yunchang Zhu, Liang Pang, Yanyan Lan, Huawei Shen, Xueqi Cheng
• Abstract要約: 本稿では,オープンドメイン質問応答,すなわちAISOに対する適応型情報探索手法を提案する。 学習方針によると、AISOは適切な検索行動を選択し、各ステップで行方不明の証拠を探すことができる。 AISOは、検索と回答の評価の両方の観点から、事前定義された戦略で全てのベースライン手法を上回ります。
• 参考スコア（独自算出の注目度）: 61.39330982757494
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Information seeking is an essential step for open-domain question answering to efficiently gather evidence from a large corpus. Recently, iterative approaches have been proven to be effective for complex questions, by recursively retrieving new evidence at each step. However, almost all existing iterative approaches use predefined strategies, either applying the same retrieval function multiple times or fixing the order of different retrieval functions, which cannot fulfill the diverse requirements of various questions. In this paper, we propose a novel adaptive information-seeking strategy for open-domain question answering, namely AISO. Specifically, the whole retrieval and answer process is modeled as a partially observed Markov decision process, where three types of retrieval operations (e.g., BM25, DPR, and hyperlink) and one answer operation are defined as actions. According to the learned policy, AISO could adaptively select a proper retrieval action to seek the missing evidence at each step, based on the collected evidence and the reformulated query, or directly output the answer when the evidence set is sufficient for the question. Experiments on SQuAD Open and HotpotQA fullwiki, which serve as single-hop and multi-hop open-domain QA benchmarks, show that AISO outperforms all baseline methods with predefined strategies in terms of both retrieval and answer evaluations.
• Abstract（参考訳）: 情報探索は、オープンドメインの質問応答において重要なステップであり、大規模なコーパスから効率的に証拠を収集する。 近年、反復的アプローチは、各ステップで再帰的に新しい証拠を検索することによって、複雑な問題に有効であることが証明されている。 しかし、既存の反復的手法のほとんど全てが事前定義された戦略を用いており、同じ検索関数を複数回適用するか、異なる検索関数の順序を固定する。 本稿では,オープンドメイン質問応答のための新しい適応型情報探索戦略,すなわちAISOを提案する。 具体的には、3種類の検索操作(例えば、bm25、dpr、ハイパーリンク)と1つの回答操作をアクションとして定義する部分観察マルコフ決定プロセスとして、検索・回答プロセス全体をモデル化する。 学習方針によると、AISOは、収集された証拠と改定されたクエリに基づいて、各ステップで欠落した証拠を求める適切な検索行動を選択したり、その証拠が十分な場合に直接回答を出力することができる。 SQuAD OpenとHotpotQA fullwiki(シングルホップとマルチホップのオープンドメインQAベンチマーク)の実験は、AISOが検索と回答の評価の両方の観点から事前定義された戦略ですべてのベースラインメソッドより優れていることを示している。

関連論文リスト

• Benchmarking Multimodal Retrieval Augmented Generation with Dynamic VQA Dataset and Self-adaptive Planning Agent [102.31558123570437]
  マルチモーダル大規模言語モデル(MLLM)に固有の「ハロシン化」問題を緩和する上で,mRAG(Multimodal Retrieval Augmented Generation)が重要な役割を果たしている。 マルチモーダル検索のための自己適応型計画エージェントOmniSearchを提案する。
  論文  参考訳（メタデータ） (2024-11-05T09:27:21Z)
• UniKGQA: Unified Retrieval and Reasoning for Solving Multi-hop Question Answering Over Knowledge Graph [89.98762327725112]
  KGQA(Multi-hop Question Answering over Knowledge Graph)は、自然言語の質問で言及されているトピックエンティティから、複数のホップを持つ回答エンティティを見つけることを目的としている。 我々は、モデルアーキテクチャとパラメータ学習の両方において、検索と推論を統合することで、マルチホップKGQAタスクの新しいアプローチであるUniKGQAを提案する。
  論文  参考訳（メタデータ） (2022-12-02T04:08:09Z)
• Diverse Multi-Answer Retrieval with Determinantal Point Processes [11.925050407713597]
  本稿では,BERTをカーネルとして利用する決定点プロセスを用いた再ランク付け手法を提案する。 その結果,本手法はAmbigQAデータセットの最先端手法よりも優れていた。
  論文  参考訳（メタデータ） (2022-11-29T08:54:05Z)
• Answering Open-Domain Questions of Varying Reasoning Steps from Text [39.48011017748654]
  我々は,テキストのオープンドメイン質問から直接回答する統一システムを開発した。 我々は、必要なすべてのサブタスクを実行するために、単一のマルチタスクトランスモデルを用いる。 我々のモデルは既存のベンチマークとこの新しいベンチマークの両方で競合性能を示す。
  論文  参考訳（メタデータ） (2020-10-23T16:51:09Z)
• Answering Complex Open-Domain Questions with Multi-Hop Dense Retrieval [117.07047313964773]
  複雑なオープンドメインの質問に答えるために, 単純で効率的なマルチホップ高密度検索手法を提案する。 本手法では,文書間ハイパーリンクやアノテートされたエンティティマーカーなど,コーパス固有の情報へのアクセスは不要である。 提案システムでは,HotpotQA上でのベストパブリッシュ精度と,推論時の10倍の速度で,より優れた効率・精度のトレードオフも実現している。
  論文  参考訳（メタデータ） (2020-09-27T06:12:29Z)
• Tradeoffs in Sentence Selection Techniques for Open-Domain Question Answering [54.541952928070344]
  文選択のためのモデルの2つのグループについて述べる。QAベースのアプローチは、解答候補を特定するための完全なQAシステムを実行し、検索ベースのモデルは、各質問に特に関連する各節の一部を見つける。 非常に軽量なQAモデルは、このタスクではうまく機能するが、検索ベースモデルは高速である。
  論文  参考訳（メタデータ） (2020-09-18T23:39:15Z)
• 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)
• Unsupervised Alignment-based Iterative Evidence Retrieval for Multi-hop Question Answering [40.58976291178477]
  本稿では,単純で高速かつ教師なしの反復的証拠検索手法を提案する。 その単純さにもかかわらず,提案手法はエビデンス選択タスクにおいて,従来の手法よりも優れていた。 これらのエビデンス文をRoBERTaの回答分類コンポーネントに入力すると、最先端のQA性能が得られる。
  論文  参考訳（メタデータ） (2020-05-04T00:19:48Z)

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。