Fugu-MT 論文翻訳(概要): Domain Adaptation for Question Answering via Question Classification

論文の概要: Domain Adaptation for Question Answering via Question Classification

arxiv url: http://arxiv.org/abs/2209.04998v1
Date: Mon, 12 Sep 2022 03:12:02 GMT
ステータス: 処理完了
システム内更新日: 2022-09-13 12:22:01.029933
Title: Domain Adaptation for Question Answering via Question Classification
Title（参考訳）: 質問分類による質問応答に対するドメイン適応
Authors: Zhenrui Yue, Huimin Zeng, Ziyi Kou, Lanyu Shang, Dong Wang
Abstract要約: 質問回答のための質問分類(QC4QA)という新しい枠組みを提案する。最適化のために、ソースとターゲットドメイン間のドメイン間不一致を最大平均不一致(MMD)距離で低減する。提案したQC4QAの有効性を,複数のデータセットの最先端ベースラインに対して一貫した改善により示す。
参考スコア（独自算出の注目度）: 8.828396559882954
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Question answering (QA) has demonstrated impressive progress in answering questions from customized domains. Nevertheless, domain adaptation remains one of the most elusive challenges for QA systems, especially when QA systems are trained in a source domain but deployed in a different target domain. In this work, we investigate the potential benefits of question classification for QA domain adaptation. We propose a novel framework: Question Classification for Question Answering (QC4QA). Specifically, a question classifier is adopted to assign question classes to both the source and target data. Then, we perform joint training in a self-supervised fashion via pseudo-labeling. For optimization, inter-domain discrepancy between the source and target domain is reduced via maximum mean discrepancy (MMD) distance. We additionally minimize intra-class discrepancy among QA samples of the same question class for fine-grained adaptation performance. To the best of our knowledge, this is the first work in QA domain adaptation to leverage question classification with self-supervised adaptation. We demonstrate the effectiveness of the proposed QC4QA with consistent improvements against the state-of-the-art baselines on multiple datasets.
Abstract（参考訳）: 質問応答(qa)は、カスタマイズされたドメインからの質問に答える素晴らしい進歩を示しています。しかしながら、特にQAシステムがソースドメインでトレーニングされているが、異なるターゲットドメインにデプロイされている場合、ドメイン適応はQAシステムにとって最も明白な課題の1つである。本研究では,QA領域適応のための質問分類の潜在的な利点について検討する。質問応答のための質問分類(qc4qa)を提案する。具体的には、ソースデータとターゲットデータの両方に質問クラスを割り当てるために質問分類器を採用する。そこで我々は,擬似ラベルによる自己指導型共同訓練を行った。最適化のために、ソースとターゲットドメイン間のドメイン間不一致を最大平均不一致(MMD)距離で低減する。また, 微粒化適応性能を示すために, 同じ質問クラスのQAサンプルのクラス内差を最小化する。我々の知る限りでは、QAドメイン適応において、自己教師付き適応を用いた質問分類を利用する最初の研究である。提案したQC4QAの有効性を,複数のデータセットの最先端ベースラインに対して一貫した改善により示す。

関連論文リスト

SQUARE: Automatic Question Answering Evaluation using Multiple Positive and Negative References [73.67707138779245]
SQuArE (Sentence-level QUestion AnsweRing Evaluation) という新しい評価指標を提案する。文レベルの抽出(回答選択)と生成(GenQA)の両方のQAシステムでSQuArEを評価する。
論文参考訳（メタデータ） (2023-09-21T16:51:30Z)
DomainInv: Domain Invariant Fine Tuning and Adversarial Label Correction For QA Domain Adaptation [27.661609140918916]
既存の質問回答システム(QA)は、目に見えない領域やドメイン外分布からの質問に答える能力によって制限される。最も重要なことは、既存のQAドメイン適応手法は、合成データを生成するか、ターゲットのドメインデータに擬似ラベルを付けたものである。本稿では,未ラベル対象領域に対する教師なし領域適応を,ソースドメインの監督を引き続き用いながら,ソースドメイン近傍のターゲット表現を転送することで提案する。
論文参考訳（メタデータ） (2023-05-04T18:13:17Z)
QA Domain Adaptation using Hidden Space Augmentation and Self-Supervised Contrastive Adaptation [24.39026345750824]
質問応答(QA)は、最近、カスタマイズされたドメインからの質問に答えるための印象的な結果を示している。しかし、一般的な課題は、QAモデルを目に見えないターゲットドメインに適応させることである。我々はQAドメイン適応のためのQADAと呼ばれる新しい自己教師型フレームワークを提案する。
論文参考訳（メタデータ） (2022-10-19T19:52:57Z)
Prior Knowledge Guided Unsupervised Domain Adaptation [82.9977759320565]
本稿では,対象とするクラス分布に関する事前知識を利用できる知識誘導型非教師付きドメイン適応(KUDA)設定を提案する。特に,対象領域におけるクラス分布に関する2種類の事前知識について考察する。このような事前知識を用いて生成した擬似ラベルを精査する修正モジュールを提案する。
論文参考訳（メタデータ） (2022-07-18T18:41:36Z)
Multifaceted Improvements for Conversational Open-Domain Question Answering [54.913313912927045]
対話型オープンドメイン質問回答(MICQA)のための多面的改善フレームワークを提案する。第一に、提案したKL分割に基づく正規化は、検索と解答のためのより良い質問理解をもたらすことができる。第二に、追加されたポストランカモジュールは、より関連性の高いパスをトップにプッシュし、2アスペクトの制約で読者に選択できる。第3に、十分に設計されたカリキュラム学習戦略は、訓練と推論の黄金の通路設定のギャップを効果的に狭め、黄金の通路支援なしで真の答えを見つけることを奨励する。
論文参考訳（メタデータ） (2022-04-01T07:54:27Z)
Synthetic Question Value Estimation for Domain Adaptation of Question Answering [31.003053719921628]
対象領域のQA性能を改善するために合成質問の有用性を直接推定する質問値推定器(QVE)をトレーニングする新しいアイデアを導入する。このような質問を使用することで、ターゲットドメイン上のヒューマンアノテーションの約15%しか、完全に教師されたベースラインに匹敵するパフォーマンスを達成できません。
論文参考訳（メタデータ） (2022-03-16T20:22:31Z)
Relation-Guided Pre-Training for Open-Domain Question Answering [67.86958978322188]
複雑なオープンドメイン問題を解決するためのRGPT-QA(Relation-Guided Pre-Training)フレームワークを提案する。 RGPT-QAは, 自然質問, TriviaQA, WebQuestionsにおいて, Exact Matchの精度が2.2%, 2.4%, 6.3%向上したことを示す。
論文参考訳（メタデータ） (2021-09-21T17:59:31Z)
Contrastive Domain Adaptation for Question Answering using Limited Text Corpora [20.116147632481983]
本稿では,QAに対するコントラッシブ・ドメイン適応という,ドメイン適応のための新しいフレームワークを提案する。特に、CAQAは、質問生成とドメイン不変学習の技法を組み合わせて、限られたテキストコーパスでドメイン外質問に答える。
論文参考訳（メタデータ） (2021-08-31T14:05:55Z)
Knowledge Graph Simple Question Answering for Unseen Domains [9.263766921991452]
我々は新しいドメインに適用可能なデータ中心のドメイン適応フレームワークを提案する。遠方からの監視を用いて、未確認領域のそれぞれの関係を表すキーワードの集合を抽出する。我々のフレームワークはゼロショットベースラインを大幅に改善し、ドメイン間で堅牢です。
論文参考訳（メタデータ） (2020-05-25T11:34:54Z)
A Balanced and Uncertainty-aware Approach for Partial Domain Adaptation [142.31610972922067]
この研究は、特にターゲットドメインのクラスラベルがソースドメインのサブセットである場合に、教師なしのドメイン適応問題に対処する。本稿では,ドメイン逆境学習に基づく新しいドメイン適応手法 BA$3$US を提案し,BAA(Ba balanced Adversarial Alignment)とAUS(Adaptive Uncertainty Suppression)の2つの新しい手法を提案する。複数のベンチマーク実験の結果、BA$3$USが部分的なドメイン適応タスクの最先端を超越していることが示されている。
論文参考訳（メタデータ） (2020-03-05T11:37:06Z)
Unsupervised Question Decomposition for Question Answering [102.56966847404287]
本論文では, ワンツーNアン教師付きシーケンスシーケンス(ONUS)のアルゴリズムを提案する。当初,ドメイン外,マルチホップ開発セットのベースラインが強かったため,HotpotQAでは大きなQA改善が見られた。
論文参考訳（メタデータ） (2020-02-22T19:40:35Z)

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。