論文の概要: Multi Document Reading Comprehension

• arxiv url: http://arxiv.org/abs/2201.01706v1
• Date: Wed, 5 Jan 2022 16:54:48 GMT
• ステータス: 処理完了
• システム内更新日: 2022-01-06 13:42:17.925699
• Title: Multi Document Reading Comprehension
• Title（参考訳）: 複数文書読解の理解
• Authors: Avi Chawla
• Abstract要約: 読み込み(英語: Reading, RC)とは、ある節または一組の節から質問に答えるタスクである。 自然言語処理(NLP)の分野での最近の試行と実験により、機械が通過中のテキストを処理できることが証明された。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Reading Comprehension (RC) is a task of answering a question from a given passage or a set of passages. In the case of multiple passages, the task is to find the best possible answer to the question. Recent trials and experiments in the field of Natural Language Processing (NLP) have proved that machines can be provided with the ability to not only process the text in the passage and understand its meaning to answer the question from the passage, but also can surpass the Human Performance on many datasets such as Standford's Question Answering Dataset (SQuAD). This paper presents a study on Reading Comprehension and its evolution in Natural Language Processing over the past few decades. We shall also study how the task of Single Document Reading Comprehension acts as a building block for our Multi-Document Reading Comprehension System. In the latter half of the paper, we'll be studying about a recently proposed model for Multi-Document Reading Comprehension - RE3QA that is comprised of a Reader, Retriever, and a Re-ranker based network to fetch the best possible answer from a given set of passages.
• Abstract（参考訳）: Reading Comprehension (RC) とは、ある節または一組の節から質問に答えるタスクである。 複数の節がある場合、その質問に対する最良の答えを見つけることが課題である。 自然言語処理(nlp)の分野での最近の試みと実験により、機械は、文章の処理だけでなく、文章から質問に答える意味を理解することができるだけでなく、スタンフォードの質問応答データセット(squad)のような多くのデータセットで人間のパフォーマンスを上回ることができることが証明された。 本稿では,過去数十年にわたる自然言語処理における読解とその進化について考察する。 また,複数文書読解システムのためのビルディングブロックとして,単一文書読解システムがどのように機能するかについても検討する。 論文の後半では、最近提案されているマルチドキュメント読解モデルについて検討します。re3qaは、読み手、検索者、そして、与えられた一節から最善の回答を得るための再ランク付けベースのネットワークで構成されています。

関連論文リスト

• SEMQA: Semi-Extractive Multi-Source Question Answering [94.04430035121136]
  本稿では,複数ソースを半抽出的に要約することで,複数の質問に答える新しいQAタスクを提案する。 この種の最初のデータセットであるQuoteSumを作成し、自然および生成された質問に対する人間による半抽出的な回答を提示する。
  論文  参考訳（メタデータ） (2023-11-08T18:46:32Z)
• Analyzing Multiple-Choice Reading and Listening Comprehension Tests [0.0]
  本研究は,会話の書き起こしと聞き取りテストに基づいて,コンテキストパスを複数選択で読み取る必要があるかを検討する。 自動読解システムは、文脈パスへのアクセスを部分的にあるいは全く行わずに、ランダムよりもはるかに優れた性能を発揮することが判明した。
  論文  参考訳（メタデータ） (2023-07-03T14:55:02Z)
• PEARL: Prompting Large Language Models to Plan and Execute Actions Over Long Documents [78.27865456183397]
  長い文書に対する推論を改善するためのフレームワークであるPEARLを提案する。 PEARLの各ステージは、最小限の人間の入力でゼロショットまたは少数ショットのプロンプトによって実装される。 PEARLをQuALITYデータセットの挑戦的なサブセットで評価し、長い物語テキストに対して複雑な推論を必要とする質問を含む。
  論文  参考訳（メタデータ） (2023-05-23T23:06:04Z)
• Information Extraction from Documents: Question Answering vs Token Classification in real-world setups [0.0]
  質問応答法と古典的トークン分類法を比較して,文書鍵情報抽出を行う。 我々の研究は、クリーンで比較的短いエンティティを扱う場合、トークン分類に基づくアプローチを用いるのが最善であることを示した。
  論文  参考訳（メタデータ） (2023-04-21T14:43:42Z)
• Weakly Supervised Pre-Training for Multi-Hop Retriever [23.79574380039197]
  本研究では,人的努力を伴わない,弱教師付きマルチホップレトリバーの事前学習手法を提案する。 提案手法は,1)複雑な質問のベクトル表現を生成するための事前学習タスク,2)厳密なエンコーダに基づく事前学習モデル構造として,質問とサブクエストのネスト構造を生成するスケーラブルなデータ生成手法を含む。
  論文  参考訳（メタデータ） (2021-06-18T08:06:02Z)
• Open-Retrieval Conversational Machine Reading [80.13988353794586]
  会話機械読解では、システムは自然言語規則を解釈し、ハイレベルな質問に答え、フォローアップの明確化を問う必要がある。 既存の作業では、ルールテキストがユーザ毎の質問に対して提供されると仮定し、実際のシナリオにおいて必須の検索ステップを無視する。 本研究では,対話型機械読解のオープンリトリーバル設定を提案し,検討する。
  論文  参考訳（メタデータ） (2021-02-17T08:55:01Z)
• Recurrent Chunking Mechanisms for Long-Text Machine Reading Comprehension [59.80926970481975]
  機械読解(MRC)を長文で研究する。 モデルは長い文書と質問を入力として取り、回答として文書からテキストを抽出する。 我々は、モデルに強化学習を通じてより柔軟な方法でチャンクを学習させることを提案する。
  論文  参考訳（メタデータ） (2020-05-16T18:08:58Z)
• Document Modeling with Graph Attention Networks for Multi-grained Machine Reading Comprehension [127.3341842928421]
  Natural Questionsは、新しい挑戦的な機械読解ベンチマークである。 解答は2つあり、長解(典型的には1段落)と短解(長解の内にある1つ以上の実体)である。 既存の方法は、これらの2つのサブタスクをトレーニング中に個別に扱い、依存関係を無視します。 本稿では,文書を階層的にモデル化する多層機械読解フレームワークを提案する。
  論文  参考訳（メタデータ） (2020-05-12T14:20:09Z)
• Retrospective Reader for Machine Reading Comprehension [90.6069071495214]
  機械読み取り理解(英: Machine reading comprehension、MRC)とは、機械が与えられた文節に基づいて質問に対する正しい答えを決定することを要求するAIチャレンジである。 不可解な質問が MRC タスクに関与している場合、検証モジュールと呼ばれる本質的な検証モジュールがエンコーダに加えて特に必要となる。 本稿では, MRC タスクに対して, 解答不能な質問に対して, より優れた検証器設計を提案する。
  論文  参考訳（メタデータ） (2020-01-27T11:14:34Z)
• A Survey on Machine Reading Comprehension Systems [1.5293427903448022]
  本稿では,機械読解システムの様々な側面に関する総合的な調査を行う。 我々は,2016年から2020年までの241件のレビュー論文をもとに,この分野の最近の傾向を概説する。 本研究は,近年,回答抽出から回答生成へと研究の焦点が変化していることを示すものである。
  論文  参考訳（メタデータ） (2020-01-06T13:54:06Z)

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。