論文の概要: Summarize-then-Answer: Generating Concise Explanations for Multi-hop
Reading Comprehension
- arxiv url: http://arxiv.org/abs/2109.06853v1
- Date: Tue, 14 Sep 2021 17:44:34 GMT
- ステータス: 処理完了
- システム内更新日: 2021-09-15 18:01:06.304425
- Title: Summarize-then-Answer: Generating Concise Explanations for Multi-hop
Reading Comprehension
- Title(参考訳): 要約-Then-Answer:Multi-hop Reading Comprehensionのための簡潔な説明を生成する
- Authors: Naoya Inoue, Harsh Trivedi, Steven Sinha, Niranjan Balasubramanian and
Kentaro Inui
- Abstract要約: 本稿では,質問に焦点をあてた要約文を生成し,それをRCシステムに供給することを提案する。
人間の注釈による抽象的な説明を限定的に行うと、抽象的な説明を半教師付きで訓練する。
実験により,提案した抽象的説明書は,限定的な監督を伴う抽出的説明書よりもコンパクトな説明書を生成することができることが示された。
- 参考スコア(独自算出の注目度): 35.65149154213124
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: How can we generate concise explanations for multi-hop Reading Comprehension
(RC)? The current strategies of identifying supporting sentences can be seen as
an extractive question-focused summarization of the input text. However, these
extractive explanations are not necessarily concise i.e. not minimally
sufficient for answering a question. Instead, we advocate for an abstractive
approach, where we propose to generate a question-focused, abstractive summary
of input paragraphs and then feed it to an RC system. Given a limited amount of
human-annotated abstractive explanations, we train the abstractive explainer in
a semi-supervised manner, where we start from the supervised model and then
train it further through trial and error maximizing a conciseness-promoted
reward function. Our experiments demonstrate that the proposed abstractive
explainer can generate more compact explanations than an extractive explainer
with limited supervision (only 2k instances) while maintaining sufficiency.
- Abstract(参考訳): マルチホップ読解(RC)のための簡潔な説明を生成するには
補助文を識別する現在の戦略は、入力テキストの抽出的質問中心の要約と見なすことができる。
しかし、これらの抽出的説明は必ずしも簡潔であるとは限らない。
代わりに、我々は抽象的なアプローチを提唱し、質問に焦点を絞った、抽象的な文の要約を生成し、それをRCシステムに供給することを提案する。
人間の注釈付き抽象的説明が限られているため、抽象的説明を半教師付きで訓練し、そこで教師付きモデルから始めて、簡潔さを最大化する報酬関数の試行錯誤によってさらに訓練する。
提案する抽象的説明器は,限定的な監督(2kインスタンスのみ)を持つ抽出的説明器よりも,十分性を維持しながら,よりコンパクトな説明を生成できることを実証した。
関連論文リスト
- HOP, UNION, GENERATE: Explainable Multi-hop Reasoning without Rationale
Supervision [118.0818807474809]
本研究は、合理的な監督なしに説明可能なマルチホップQAシステムを訓練するための原則的確率論的アプローチを提案する。
提案手法は,集合としての有理を明示的にモデル化し,文書と文間の相互作用を文書内で捉えることによって,マルチホップ推論を行う。
論文 参考訳(メタデータ) (2023-05-23T16:53:49Z) - 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) - EASE: Extractive-Abstractive Summarization with Explanations [18.046254486733186]
情報ボトルネック原理に基づく説明可能な要約システムを提案する。
人間が長い文書をまとめるために2段階の枠組みを使用するという以前の研究に触発されて、私たちのフレームワークは最初に説明として事前に定義された証拠の量を抽出します。
生成した要約の質を著しく犠牲にすることなく、我々のフレームワークからの説明は単純なベースラインよりも適切であることを示す。
論文 参考訳(メタデータ) (2021-05-14T17:45:06Z) - Discrete Reasoning Templates for Natural Language Understanding [79.07883990966077]
我々は,複雑な質問をより単純な質問に分解する手法を提案する。
事前定義された推論テンプレートの指示に従って最終回答を導出する。
我々のアプローチは、解釈可能でありながら最先端技術と競合し、監督をほとんど必要としないことを示す。
論文 参考訳(メタデータ) (2021-04-05T18:56:56Z) - ExplanationLP: Abductive Reasoning for Explainable Science Question
Answering [4.726777092009554]
本稿では,帰納的推論問題としての質問応答について考察する。
それぞれの選択に対して妥当な説明を構築し、最終回答として最適な説明で候補を選択する。
提案システムであるExplainationLPは,各候補の回答に対して,関連事実の重み付きグラフを構築して説明を行う。
論文 参考訳(メタデータ) (2020-10-25T14:49:24Z) - Multi-hop Inference for Question-driven Summarization [39.08269647808958]
本稿では,新しい質問駆動抽象要約手法であるMulti-hop Selective Generator (MSG)を提案する。
MSGは、マルチホップ推論を質問駆動要約に取り入れ、生成した要約の正当化を提供する。
実験結果から,提案手法は2つの非ファクトイドQAデータセット上で常に最先端の手法より優れていることがわかった。
論文 参考訳(メタデータ) (2020-10-08T02:36:39Z) - Exploring Explainable Selection to Control Abstractive Summarization [51.74889133688111]
説明可能性を重視した新しいフレームワークを開発する。
新しいペアワイズ行列は、文の相互作用、中心性、属性スコアをキャプチャする。
コンストラクタ内の文分割アテンション機構は、最終要約が所望のコンテンツを強調することを保証する。
論文 参考訳(メタデータ) (2020-04-24T14:39:34Z) - At Which Level Should We Extract? An Empirical Analysis on Extractive
Document Summarization [110.54963847339775]
本研究は,全文を抽出する際,不必要な問題や冗長性が存在することを示す。
選挙区解析木に基づくサブセグメント単位の抽出を提案する。
論文 参考訳(メタデータ) (2020-04-06T13:35:10Z)
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。