論文の概要: A Numerical Reasoning Question Answering System with Fine-grained Retriever and the Ensemble of Multiple Generators for FinQA

• arxiv url: http://arxiv.org/abs/2206.08506v1
• Date: Fri, 17 Jun 2022 01:55:29 GMT
• ステータス: 処理完了
• システム内更新日: 2022-06-20 14:02:40.387815
• Title: A Numerical Reasoning Question Answering System with Fine-grained Retriever and the Ensemble of Multiple Generators for FinQA
• Title（参考訳）: 微細レトリバーを用いた数値推論質問応答システムとフィンQA用複数発電機の組立
• Authors: Bin Wang, Jiangzhou Ju, Yunlin Mao, Xin-Yu Dai, Shujian Huang, Jiajun Chen
• Abstract要約: 本稿では,財務テキストと表データソース間の数値推論質問に答える数値推論質問応答システムを提案する。 検索モジュールにおいて、生成モジュールの入力に無関係で類似のセルを同じ行に持ってくるのを避けるため、金のセルを検索するセルレトリバーを革新的に設計する。 アンサンブルモジュールでは,システム出力として最適なプログラムを選択するために複数のプログラムを統合する。
• 参考スコア（独自算出の注目度）: 53.6466091440919
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The numerical reasoning in the financial domain -- performing quantitative analysis and summarizing the information from financial reports -- can greatly increase business efficiency and reduce costs of billions of dollars. Here, we propose a numerical reasoning question answering system to answer numerical reasoning questions among financial text and table data sources, consisting of a retriever module, a generator module, and an ensemble module. Specifically, in the retriever module, in addition to retrieving the whole row data, we innovatively design a cell retriever that retrieves the gold cells to avoid bringing unrelated and similar cells in the same row to the inputs of the generator module. In the generator module, we utilize multiple generators to produce programs, which are operation steps to answer the question. Finally, in the ensemble module, we integrate multiple programs to choose the best program as the output of our system. In the final private test set in FinQA Competition, our system obtains 69.79 execution accuracy.
• Abstract（参考訳）: 金融分野における数値的推論 -- 定量的分析と財務報告からの情報を要約する -- は、ビジネス効率を大幅に向上させ、数十億ドルのコストを削減することができる。 本稿では,レトリバーモジュール,ジェネレータモジュール,アンサンブルモジュールからなる,財務用テキストと表データソース間の数値推論質問に答える数値推論質問応答システムを提案する。 具体的には、検索モジュールにおいて、行データ全体の検索に加えて、生成モジュールの入力に無関係で類似したセルを同じ行に持ってくるのを避けるために、金細胞を検索するセルレトリバーを革新的に設計する。 ジェネレータモジュールでは,複数のジェネレータを用いてプログラムを生成する。 最後に、アンサンブルモジュールにおいて、システム出力として最適なプログラムを選択するために複数のプログラムを統合する。 FinQAコンペティションの最終プライベートテストセットでは,69.79の実行精度が得られた。

関連論文リスト

• Multimodal Reranking for Knowledge-Intensive Visual Question Answering [77.24401833951096]
  回答生成のための知識候補のランク付け品質を向上させるためのマルチモーダル・リランカを提案する。 OK-VQAとA-OKVQAの実験は、遠隔監視からのマルチモーダルリランカーが一貫した改善をもたらすことを示している。
  論文  参考訳（メタデータ） (2024-07-17T02:58:52Z)
• FinTextQA: A Dataset for Long-form Financial Question Answering [10.1084081290893]
  FinTextQAは金融における長文質問応答(LFQA)のための新しいデータセットである。 我々のデータセット上で最も効果的なシステム構成は、組込み器、レトリバー、リランカー、ジェネレータをAda2、Automated Merged Retrieval、Bge-Reranker-Base、Baichuan2-7Bとして設定することであった。
  論文  参考訳（メタデータ） (2024-05-16T10:53:31Z)
• Are More LLM Calls All You Need? Towards Scaling Laws of Compound Inference Systems [76.69936664916061]
  LM呼び出し回数がVotteとFilter-Voteのパフォーマンスに与える影響について検討する。 意外なことに、複数の言語タスクにおいて、VoteとFilter-Voteの両方のパフォーマンスは、まず増大するが、LM呼び出しの回数の関数として減少する可能性がある。
  論文  参考訳（メタデータ） (2024-03-04T19:12:48Z)
• APOLLO: An Optimized Training Approach for Long-form Numerical Reasoning [31.252979262232124]
  我々は,長文の数値推論フレームワークを改善するためにAPOLLOを提案する。 検索者に対しては,検索者が重要な数値的事実に対してより識別しやすくするために,無認識の負のサンプリング戦略を採用する。 ジェネレータに対しては、一貫性に基づく強化学習と目標プログラム拡張戦略を設計する。
  論文  参考訳（メタデータ） (2022-12-14T14:34:15Z)
• DyRRen: A Dynamic Retriever-Reranker-Generator Model for Numerical Reasoning over Tabular and Textual Data [17.89882269796217]
  提案するDyRRenは,検索文の動的再ランク付けによって,各生成ステップを向上する拡張型レトリバー・リランダ・ジェネレータフレームワークである。 FinQAデータセットの既存のベースラインを上回ります。
  論文  参考訳（メタデータ） (2022-11-23T02:41:50Z)
• Unsupervised Question Answering via Answer Diversifying [44.319944418802095]
  そこで我々は,DiverseQAという回答の多様化による新しい教師なし手法を提案する。 提案手法は,データ構築,データ拡張,デノナイジングフィルタの3つのモジュールから構成される。 大規模な実験により,提案手法は5つのベンチマークデータセットにおいて,従来の教師なしモデルよりも優れていた。
  論文  参考訳（メタデータ） (2022-08-23T08:57:00Z)
• FinQA: A Dataset of Numerical Reasoning over Financial Data [52.7249610894623]
  我々は、大量の財務文書の分析を自動化することを目的として、財務データに関する深い質問に答えることに重点を置いている。 我々は,金融専門家が作成した財務報告に対して質問回答のペアを用いた,新たな大規模データセットFinQAを提案する。 その結果、人気があり、大規模で、事前訓練されたモデルは、金融知識を得るための専門的な人間には程遠いことが示される。
  論文  参考訳（メタデータ） (2021-09-01T00:08:14Z)
• Text Modular Networks: Learning to Decompose Tasks in the Language of Existing Models [61.480085460269514]
  本稿では,既存のモデルで解けるより単純なモデルに分解することで,複雑なタスクを解くための解釈可能なシステムを構築するためのフレームワークを提案する。 我々はこのフレームワークを用いて、ニューラルネットワークのファクトイド単一スパンQAモデルとシンボリック電卓で答えられるサブクエストに分解することで、マルチホップ推論問題に答えられるシステムであるModularQAを構築する。
  論文  参考訳（メタデータ） (2020-09-01T23:45:42Z)
• Multi-layer Optimizations for End-to-End Data Analytics [71.05611866288196]
  代替アプローチを実現するフレームワークであるIFAQ(Iterative Functional Aggregate Queries)を紹介する。 IFAQは、特徴抽出クエリと学習タスクを、IFAQのドメイン固有言語で与えられた1つのプログラムとして扱う。 IFAQ の Scala 実装が mlpack,Scikit,特殊化を数桁で上回り,線形回帰木モデルや回帰木モデルを複数の関係データセット上で処理可能であることを示す。
  論文  参考訳（メタデータ） (2020-01-10T16:14:44Z)

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。