論文の概要: Towards Collaborative Question Answering: A Preliminary Study

• arxiv url: http://arxiv.org/abs/2201.09708v1
• Date: Mon, 24 Jan 2022 14:27:00 GMT
• ステータス: 処理完了
• システム内更新日: 2022-01-25 14:02:25.972355
• Title: Towards Collaborative Question Answering: A Preliminary Study
• Title（参考訳）: 協調的質問回答に向けて : 予備的研究
• Authors: Xiangkun Hu, Hang Yan, Qipeng Guo, Xipeng Qiu, Weinan Zhang, Zheng Zhang
• Abstract要約: 我々は、モデレーターによって調整された複数の専門家エージェントが協力して、単一のエージェントだけでは答えられない質問に答える新しいQAタスクCollabQAを提案する。 専門家に分散可能な,大規模な知識グラフの合成データセットを作成する。 専門家が完璧で均一でない限り,コラボレーション構造を導入することなく,この問題が解決可能であることを示す。
• 参考スコア（独自算出の注目度）: 63.91687114660126
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Knowledge and expertise in the real-world can be disjointedly owned. To solve a complex question, collaboration among experts is often called for. In this paper, we propose CollabQA, a novel QA task in which several expert agents coordinated by a moderator work together to answer questions that cannot be answered with any single agent alone. We make a synthetic dataset of a large knowledge graph that can be distributed to experts. We define the process to form a complex question from ground truth reasoning path, neural network agent models that can learn to solve the task, and evaluation metrics to check the performance. We show that the problem can be challenging without introducing prior of the collaboration structure, unless experts are perfect and uniform. Based on this experience, we elaborate extensions needed to approach collaboration tasks in real-world settings.
• Abstract（参考訳）: 現実世界の知識と専門知識は相容れない。 複雑な問題を解決するために、専門家間のコラボレーションがしばしば求められます。 本稿では,モデレーターによって調整された複数の専門家エージェントが協力して,単一のエージェントだけでは答えられない質問に回答する,新しいQAタスクであるCollabQAを提案する。 専門家に分散可能な,大規模な知識グラフの合成データセットを作成する。 我々は、基底的真理推論パスから複雑な問題を形成するプロセス、そのタスクを解くために学習できるニューラルネットワークエージェントモデル、パフォーマンスをチェックするための評価メトリクスを定義する。 専門家が完璧で均一でない限り,コラボレーション構造を導入することなく,この問題が解決可能であることを示す。 この経験に基づいて,実環境におけるコラボレーションタスクへのアプローチに必要な拡張を詳細に述べる。

関連論文リスト

• Learning to Coordinate with Experts [5.012314384895538]
  我々は、学習と要求制御という基本的な調整問題を導入する。 目的は、いつ自律的に行動すべきか、いつ専門家の援助を求めるのかを決定する戦略を学ぶことである。 実証研究を容易にするために,多様なドメインを特徴とするオープンソースベンチマークであるRC-Benchを紹介した。
  論文  参考訳（メタデータ） (2025-02-13T18:41:55Z)
• Complexity Experts are Task-Discriminative Learners for Any Image Restoration [80.46313715427928]
  複雑性の専門家" - 様々な計算複雑性と受容的なフィールドを持つフレキシブルな専門家ブロックを紹介します。 この選好は、タスク固有の割り当てを効果的に推進し、適切な複雑さを持つ専門家にタスクを割り当てる。 提案したMoCE-IRモデルは最先端の手法より優れており、その効率性と実用性が確認されている。
  論文  参考訳（メタデータ） (2024-11-27T15:58:07Z)
• Husky: A Unified, Open-Source Language Agent for Multi-Step Reasoning [67.26776442697184]
  我々はHuskyを紹介した。Huskyは総合的でオープンソースの言語エージェントで、統一されたアクション空間について推論することを学ぶ。 ハスキーは、(1)与えられたタスクを解決するために次のアクションを生成すること、2)エキスパートモデルを使用してアクションを実行すること、の2つの段階を繰り返す。 実験の結果,Huskyは14の評価データセットで先行言語エージェントよりも優れていた。
  論文  参考訳（メタデータ） (2024-06-10T17:07:25Z)
• Explaining Expert Search and Team Formation Systems with ExES [8.573682949137085]
  エキスパートサーチとチーム形成システムは、コラボレーションネットワークで動作する。 所望のスキルに対応するキーワードクエリが与えられた場合、これらのシステムはクエリに最も合う専門家を特定する。 本稿では,現実的および反現実的手法を用いて,エキスパート検索とチーム形成システムを説明するためのツールであるExESを提案する。
  論文  参考訳（メタデータ） (2024-05-21T15:53:35Z)
• Contact Complexity in Customer Service [21.106010378612876]
  カスタマーサービスサポートに手を差し伸べる顧客は、複雑さのさまざまな問題に直面している可能性がある。 これに取り組むために、顧客の問題の複雑さを正確に予測する機械学習モデルが非常に望ましい。 我々は,接触複雑性を定義するための新しい機械学習手法を開発した。
  論文  参考訳（メタデータ） (2024-02-24T00:09:27Z)
• Active Ranking of Experts Based on their Performances in Many Tasks [72.96112117037465]
  我々は、dタスクのパフォーマンスに基づいて、n名のエキスパートをランク付けする問題を考察する。 我々は,各専門家のペアに対して,各タスクにおいて他方よりも優れているという,単調な仮定を定めている。
  論文  参考訳（メタデータ） (2023-06-05T06:55:39Z)
• Successive Prompting for Decomposing Complex Questions [50.00659445976735]
  最近の研究は、大規模言語モデル(LM)の機能を活用して、数ショットで複雑な質問応答を行う。 そこでは、複雑なタスクを単純なタスクに繰り返し分解し、それを解決し、最終解を得るまでプロセスを繰り返します。 我々の最良のモデル(逐次プロンプト付き)は、DROPデータセットの数ショットバージョンにおいて、5%の絶対F1の改善を実現します。
  論文  参考訳（メタデータ） (2022-12-08T06:03:38Z)
• Learning to Solve Complex Tasks by Talking to Agents [39.08818632689814]
  人間は、単純なサブタスクを解くことができるAIアシスタントのような既存のエージェントと対話することで、複雑な問題を解決することが多い。 一般的なNLPベンチマークは、タスク毎に自己充足型モデルを開発することを目的としている。 我々は,異なる能力を持つ4つのエージェントに対して「会話」によって解決されるように設計された3種類の複雑な推論タスクを含むCommaQAという新しいベンチマークを提案する。
  論文  参考訳（メタデータ） (2021-10-16T10:37:34Z)
• HALMA: Humanlike Abstraction Learning Meets Affordance in Rapid Problem Solving [104.79156980475686]
  人間は自然主義的タスクの構造に応じて構成的および因果的抽象化、つまり知識を学ぶ。 エージェントがその知識をどのように表現するかには、知覚、概念、アルゴリズムの3段階の一般化がある、と我々は主張する。 このベンチマークは、ビジュアルコンセプト開発と迅速な問題解決のための新しいタスクドメイン、HALMAを中心にしています。
  論文  参考訳（メタデータ） (2021-02-22T20:37:01Z)

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。