Fugu-MT 論文翻訳(概要): Clues Before Answers: Generation-Enhanced Multiple-Choice QA

論文の概要: Clues Before Answers: Generation-Enhanced Multiple-Choice QA

arxiv url: http://arxiv.org/abs/2205.00274v1
Date: Sat, 30 Apr 2022 14:01:40 GMT
ステータス: 処理完了
システム内更新日: 2022-05-04 09:59:59.192568
Title: Clues Before Answers: Generation-Enhanced Multiple-Choice QA
Title（参考訳）: 回答前のクローズ: 世代拡大型マルチコースQA
Authors: Zixian Huang, Ao Wu, Jiaying Zhou, Yu Gu, Yue Zhao, Gong Cheng
Abstract要約: マルチ選択質問応答(MCQA)のトレンドパラダイムは、テキストからテキストへのフレームワークを使用している。事前学習したエンコーダ・デコーダモデルの生成能力と基礎知識を活用するため,GenMC という次世代MCQAモデルを提案する。
参考スコア（独自算出の注目度）: 13.235146716531347
License: http://creativecommons.org/licenses/by/4.0/
Abstract: A trending paradigm for multiple-choice question answering (MCQA) is using a text-to-text framework. By unifying data in different tasks into a single text-to-text format, it trains a generative encoder-decoder model which is both powerful and universal. However, a side effect of twisting a generation target to fit the classification nature of MCQA is the under-utilization of the decoder and the knowledge that can be decoded. To exploit the generation capability and underlying knowledge of a pre-trained encoder-decoder model, in this paper, we propose a generation-enhanced MCQA model named GenMC. It generates a clue from the question and then leverages the clue to enhance a reader for MCQA. It outperforms text-to-text models on multiple MCQA datasets.
Abstract（参考訳）: マルチ選択質問応答(MCQA)のトレンドパラダイムは、テキストからテキストへのフレームワークを使用している。異なるタスク内のデータを単一のテキストからテキストへのフォーマットに統一することで、強力で普遍的な生成型エンコーダ・デコーダモデルを訓練する。しかし、MCQAの分類特性に合うように生成ターゲットをツイストさせる副作用は、デコーダの未使用化と復号化可能な知識である。本稿では、事前訓練されたエンコーダデコーダモデルの生成能力と基礎知識を活用するために、GenMCという世代拡張MCQAモデルを提案する。質問からヒントを生成し、そのヒントを利用してMCQAの読者を強化する。複数のMCQAデータセット上でテキストからテキストまでのモデルよりも優れています。

関連論文リスト

Multiple-Question Multiple-Answer Text-VQA [19.228969692887603]
Multi-Question Multiple-Answer (MQMA) は、エンコーダ・デコーダ変換モデルでテキストVQAを行うための新しいアプローチである。 MQMAは、エンコーダの入力として複数の質問とコンテンツを取り込み、デコーダの複数の回答を自動回帰的に予測する。本稿では,複数の質問や内容と関連する回答の整合性や記述をモデルに教える,新しいMQMA事前学習タスクを提案する。
論文参考訳（メタデータ） (2023-11-15T01:00:02Z)
Improving Question Generation with Multi-level Content Planning [70.37285816596527]
本稿では、与えられたコンテキストと回答から質問を生成する問題に対処し、特に拡張されたコンテキストをまたいだマルチホップ推論を必要とする質問に焦点をあてる。具体的には、キーフレーズを同時に選択して完全な回答を生成するFA-modelと、生成した全回答を付加的な入力として取り込んだQ-modelの2つのコンポーネントを含む。
論文参考訳（メタデータ） (2023-10-20T13:57:01Z)
A Practical Toolkit for Multilingual Question and Answer Generation [79.31199020420827]
我々は,マルチ言語QAGのオンラインサービスであるAutoQGと,モデル微調整,生成,評価のためのオールインワンPythonパッケージであるlmqgを紹介した。また、事前訓練されたエンコーダ-デコーダ言語モデルのいくつかの変種を微調整した8言語でQAGモデルをリリースしています。
論文参考訳（メタデータ） (2023-05-27T08:42:37Z)
Inflected Forms Are Redundant in Question Generation Models [27.49894653349779]
本稿では,エンコーダ・デコーダ・フレームワークを用いた質問生成の性能向上手法を提案する。まず,エンコーダの入力から入力された単語を識別し,根語に置き換える。次に,エンコード・デコーダ・フレームワークにおける以下の動作の組合せとしてQGを適用することを提案する。質問語の生成,ソースシーケンスからの単語のコピー,単語変換型の生成である。
論文参考訳（メタデータ） (2023-01-01T13:08:11Z)
An Overview on Controllable Text Generation via Variational Auto-Encoders [15.97186478109836]
ニューラルベース生成モデリングの最近の進歩は、コンピュータシステムが人間と会話できるという期待を再燃させた。変分自動エンコーダ(VAE)のような潜在変数モデル(LVM)は、テキストデータの分布パターンを特徴付けるように設計されている。この概要は、既存の生成方式、テキスト変分自動エンコーダに関連する問題、および制御可能な生成に関するいくつかのアプリケーションについて概説する。
論文参考訳（メタデータ） (2022-11-15T07:36:11Z)
GIT: A Generative Image-to-text Transformer for Vision and Language [138.91581326369837]
我々は、画像/映像キャプションや質問応答などの視覚言語タスクを統合するために、生成画像からテキストへ変換するGITを訓練する。われわれのモデルはTextCaps(CIDErで138.2対125.5)で初めて人間のパフォーマンスを上回った。
論文参考訳（メタデータ） (2022-05-27T17:03:38Z)
Read before Generate! Faithful Long Form Question Answering with Machine Reading [77.17898499652306]
LFQA(Long-form Question answering)は、ある質問に対する段落長の回答を生成することを目的としている。生成と機械読取を協調的にモデル化する新しいエンドツーエンドフレームワークを提案する。
論文参考訳（メタデータ） (2022-03-01T10:41:17Z)
Knowledge-enriched, Type-constrained and Grammar-guided Question Generation over Knowledge Bases [20.412744079015475]
知識ベース上の質問生成(KBQG)は、サブグラフに関する自然言語の質問を生成することを目的としている。現在のエンコーダデコーダベースの手法、特に小さなサブグラフでは、大きな課題が2つ残っている。我々は、KTGという、知識に富んだ、型に制約のある、文法に制約のあるKBQGモデルを提案する。
論文参考訳（メタデータ） (2020-10-07T04:49:48Z)
Structured Multimodal Attentions for TextVQA [57.71060302874151]
上述の2つの問題を主に解決するために,終端から終端までの構造化マルチモーダルアテンション(SMA)ニューラルネットワークを提案する。 SMAはまず、画像に現れるオブジェクト・オブジェクト・オブジェクト・テキスト・テキストの関係を符号化するために構造グラフ表現を使用し、その後、それを推論するためにマルチモーダルグラフアテンションネットワークを設計する。提案モデルでは,テキストVQAデータセットとST-VQAデータセットの2つのタスクを事前学習ベースTAP以外のモデルで比較した。
論文参考訳（メタデータ） (2020-06-01T07:07:36Z)
PALM: Pre-training an Autoencoding&Autoregressive Language Model for Context-conditioned Generation [92.7366819044397]
自己指導型事前学習は、自然言語の理解と生成のための強力な技術として登場した。本研究は,大規模未ラベルコーパス上で自己エンコーディングと自己回帰言語モデルを共同で事前学習する新しいスキームをPALMに提示する。広範な実験により、PALMは様々な言語生成ベンチマークにおいて、新しい最先端の結果を達成することが示されている。
論文参考訳（メタデータ） (2020-04-14T06:25:36Z)

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。