Fugu-MT 論文翻訳(概要): A Robustly Optimized Long Text to Math Models for Numerical Reasoning On FinQA

論文の概要: A Robustly Optimized Long Text to Math Models for Numerical Reasoning On FinQA

arxiv url: http://arxiv.org/abs/2207.06490v1
Date: Wed, 29 Jun 2022 12:10:18 GMT
ステータス: 処理完了
システム内更新日: 2022-07-17 19:05:42.962220
Title: A Robustly Optimized Long Text to Math Models for Numerical Reasoning On FinQA
Title（参考訳）: FinQA上の数値推論のための数学モデルに対するロバストに最適化された長文
Authors: Renhui Zhang, Youwei Zhang, Yao Yu
Abstract要約: FinQAチャレンジは、数値推論の研究を強化するために組織されている。提案手法はFinQAにおいて71.93%の実行精度と67.03%のプログラム精度で1位となる。
参考スコア（独自算出の注目度）: 2.93888900363581
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Numerical reasoning is required when solving most problems in our life, but it has been neglected in previous artificial intelligence researches. FinQA challenge has been organized to strengthen the study on numerical reasoning where the participants are asked to predict the numerical reasoning program to solve financial question. The result of FinQA will be evaluated by both execution accuracy and program accuracy. In this paper, we present our approach to tackle the task objective by developing models with different specialized capabilities and fusing their strength. Overall, our approach achieves the 1st place in FinQA challenge, with 71.93% execution accuracy and 67.03% program accuracy.
Abstract（参考訳）: 人生のほとんどの問題を解決するには数値推論が必要であるが、これまでの人工知能研究では無視されてきた。 FinQAチャレンジは、参加者が金銭的問題を解決するための数値推論プログラムの予測を依頼する数値推論の研究を強化するために編成されている。 FinQAの結果は、実行精度とプログラム精度の両方で評価される。本稿では,異なる特殊能力を持つモデルを開発し,その強みを損なうことによってタスク目標に取り組む手法を提案する。全体として、FinQAでは71.93%の実行精度と67.03%のプログラム精度で1位となる。

関連論文リスト

Uncertainty of Thoughts: Uncertainty-Aware Planning Enhances Information Seeking in Large Language Models [76.56588769677835]
Uncertainty of Thoughts (UoT) は、大きな言語モデルを拡張するアルゴリズムであり、効果的な質問をすることで積極的に情報を求めることができる。医療診断、トラブルシューティング、そして'20 Questions'ゲームの実験において、UoTは57.8%の性能向上を達成している。
論文参考訳（メタデータ） (2024-02-05T18:28:44Z)
SatLM: Satisfiability-Aided Language Models Using Declarative Prompting [68.40726892904286]
本研究では,大規模言語モデル (LLM) の推論能力を向上させるために,新しい満足度支援言語モデリング (SatLM) 手法を提案する。我々はLLMを用いて命令型プログラムではなく宣言型タスク仕様を生成し、既製の自動定理証明器を利用して最終解を導出する。我々はSATLMを8つの異なるデータセット上で評価し、命令パラダイムにおいてプログラム支援されたLMよりも一貫して優れていることを示す。
論文参考訳（メタデータ） (2023-05-16T17:55:51Z)
Comprehensive Solution Program Centric Pretraining for Table-and-Text Hybrid Numerical Reasoning [21.708394374594082]
財務報告のような表と表のハイブリッドパスに対する数値推論は、重大な課題を提起する。解法プログラム全体の粗大な監督は、基礎となる数値推論過程を学習するモデルの能力を妨げる。本稿では,プログラム全体とサブプログラムレベルの両方で動作する3つの事前学習タスクを提案する。
論文参考訳（メタデータ） (2023-05-12T13:44:40Z)
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)
ConvFinQA: Exploring the Chain of Numerical Reasoning in Conversational Finance Question Answering [70.6359636116848]
本稿では,対話型質問応答における数値推論の連鎖を研究するために,新しい大規模データセットConvFinQAを提案する。我々のデータセットは、現実世界の会話において、長距離で複雑な数値推論パスをモデル化する上で大きな課題となる。
論文参考訳（メタデータ） (2022-10-07T23:48:50Z)
A Novel DeBERTa-based Model for Financial Question Answering Task [9.083539882647928]
本研究は主に財務数値推論データセットであるFinQAに焦点を当てている。共有タスクでは、所定の財務報告に従って、推論プログラムと最終回答を生成することが目的である。実行精度は68.99で、プログラム精度は64.53で、2022年のFinQAチャレンジで4位となった。
論文参考訳（メタデータ） (2022-07-12T22:34:39Z)
JiuZhang: A Chinese Pre-trained Language Model for Mathematical Problem Understanding [74.12405417718054]
本稿では,中国初の数学的事前学習言語モデル(PLM)を提示することにより,機械の数学的知性向上を目指す。他の標準のNLPタスクとは異なり、数学的テキストは問題文に数学的用語、記号、公式を含むため理解が難しい。基礎課程と上級課程の両方からなる数学PLMの学習を改善するための新しいカリキュラム事前学習手法を設計する。
論文参考訳（メタデータ） (2022-06-13T17:03:52Z)
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)
SQAPlanner: Generating Data-InformedSoftware Quality Improvement Plans [10.032135866890384]
SQAPlannerアプローチの情報視覚化を開発し、評価します。調査回答者の80%は、可視化がより実行可能であると認識しています。
論文参考訳（メタデータ） (2021-02-19T00:17:28Z)
Logic-Guided Data Augmentation and Regularization for Consistent Question Answering [55.05667583529711]
本稿では,比較質問に対する応答の精度と整合性を改善する問題に対処する。提案手法は論理的および言語的知識を利用してラベル付きトレーニングデータを増強し,一貫性に基づく正規化器を用いてモデルを訓練する。
論文参考訳（メタデータ） (2020-04-21T17:03:08Z)

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。