論文の概要: ET5: A Novel End-to-end Framework for Conversational Machine Reading
Comprehension
- arxiv url: http://arxiv.org/abs/2209.11484v1
- Date: Fri, 23 Sep 2022 08:58:03 GMT
- ステータス: 処理完了
- システム内更新日: 2022-09-26 14:00:17.173610
- Title: ET5: A Novel End-to-end Framework for Conversational Machine Reading
Comprehension
- Title(参考訳): ET5: 会話機械読解のための新しいエンドツーエンドフレームワーク
- Authors: Xiao Zhang, Heyan Huang, Zewen Chi and Xian-Ling Mao
- Abstract要約: 本稿では, 対話型機械読解のための包含推論T5(ET5)に基づくエンドツーエンドフレームワークを提案する。
提案フレームワークの軽量さにもかかわらず,提案するET5は,BLEU-4スコア55.2のShARCリーダボード上で,新たな最先端結果が得られることを示す実験結果を得た。
- 参考スコア(独自算出の注目度): 48.529698533726496
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Conversational machine reading comprehension (CMRC) aims to assist computers
to understand an natural language text and thereafter engage in a multi-turn
conversation to answer questions related to the text. Existing methods
typically require three steps: (1) decision making based on entailment
reasoning; (2) span extraction if required by the above decision; (3) question
rephrasing based on the extracted span. However, for nearly all these methods,
the span extraction and question rephrasing steps cannot fully exploit the
fine-grained entailment reasoning information in decision making step because
of their relative independence, which will further enlarge the information gap
between decision making and question phrasing. Thus, to tackle this problem, we
propose a novel end-to-end framework for conversational machine reading
comprehension based on shared parameter mechanism, called entailment reasoning
T5 (ET5). Despite the lightweight of our proposed framework, experimental
results show that the proposed ET5 achieves new state-of-the-art results on the
ShARC leaderboard with the BLEU-4 score of 55.2. Our model and code are
publicly available at https://github.com/Yottaxx/ET5.
- Abstract(参考訳): Conversational Machine Read comprehension (CMRC) は、コンピュータが自然言語のテキストを理解するのを手助けし、その後、テキストに関連する質問に答えるマルチターン会話を行うことを目的としている。
既存の方法は,(1)包括的推論に基づく意思決定,(2)決定によって必要となる場合のスパン抽出,(3)抽出されたスパンに基づく質問の再現,の3つのステップを必要とする。
しかし、ほぼすべての方法において、スパン抽出と質問再現のステップは、相対的な独立性のため、意思決定ステップにおける詳細な推論情報を十分に活用できないため、意思決定と質問フラージングの間の情報ギャップがさらに拡大される。
そこで,この問題に対処するために,共用パラメータ機構に基づく対話機械読解のための新しいエンドツーエンドフレームワーク,entailment reasoning T5 (ET5)を提案する。
提案フレームワークの軽量さにもかかわらず,提案するET5は,BLEU-4スコア55.2のShARCリーダボード上で,新たな最先端結果が得られることを示す実験結果を得た。
私たちのモデルとコードはhttps://github.com/yottaxx/et5で公開されています。
関連論文リスト
- Explicit Alignment and Many-to-many Entailment Based Reasoning for
Conversational Machine Reading [8.910847114561191]
Conversational Machine Reading (CMR) は、ユーザの最初の質問に対して、与えられた文書に基づいたマルチターン対話を通じて回答する必要がある。
提案手法は,マイクロ精度の最先端化を実現し,CMRベンチマークデータセットShARCの公開リーダボードにランクインする。
論文 参考訳(メタデータ) (2023-10-20T10:27:24Z) - Cue-CoT: Chain-of-thought Prompting for Responding to In-depth Dialogue
Questions with LLMs [59.74002011562726]
我々は、よりパーソナライズされ魅力的な応答を提供するために、新しい言語的キューに基づく思考の連鎖(textitCue-CoT)を提案する。
中国語と英語の6つのデータセットからなる詳細な対話質問を用いたベンチマークを構築した。
実験により,提案手法は,すべてのデータセットにおいて,テクステルパーフルネスとテクスチタアクセプタビリティの両方の観点から,標準的プロンプト法よりも優れていることを示す。
論文 参考訳(メタデータ) (2023-05-19T16:27:43Z) - Bridging The Gap: Entailment Fused-T5 for Open-retrieval Conversational
Machine Reading Comprehension [48.529698533726496]
オープン検索型会話機械読解は実生活における対話シーンをシミュレートする。
最近の研究では、意思決定と質問生成の間の情報ギャップを減らす方法が検討されている。
本稿では,意思決定と生成の間の情報ギャップを埋めるため,EFT(Entailment Fused-T5)と呼ばれる新しい一段階の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) (2022-12-19T10:38:30Z) - Towards End-to-End Open Conversational Machine Reading [57.18251784418258]
オープン検索型会話機械読解(OR-CMR)タスクでは,機械は対話履歴とテキスト知識ベースに応答するマルチターン質問を行う必要がある。
OR-CMRを完全エンドツーエンドで統一されたテキスト・ツー・テキスト・タスクとしてモデル化し、ShARCおよびOR-ShARCデータセットを用いた実験により、提案したエンドツーエンド・フレームワークの有効性を示す。
論文 参考訳(メタデータ) (2022-10-13T15:50:44Z) - Smoothing Dialogue States for Open Conversational Machine Reading [70.83783364292438]
本稿では,2つの対話状態を1つのデコーダとブリッジ決定と質問生成でスムーズにすることで,効果的なゲーティング戦略を提案する。
OR-ShARCデータセットを用いた実験により,本手法の有効性が示された。
論文 参考訳(メタデータ) (2021-08-28T08:04:28Z) - Explicit Memory Tracker with Coarse-to-Fine Reasoning for Conversational
Machine Reading [177.50355465392047]
本稿では,EMT(Explicit Memory Tracker)を用いた会話機械読取フレームワークを提案する。
我々のフレームワークは、粗大な推論戦略を採用することによって、明確化の質問を生成する。
EMTは74.6%のマイクロ平均決定精度と49.5BLEU4の新たな最先端結果を達成する。
論文 参考訳(メタデータ) (2020-05-26T02:21:31Z)
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。