論文の概要: Towards End-to-End Open Conversational Machine Reading
- arxiv url: http://arxiv.org/abs/2210.07113v1
- Date: Thu, 13 Oct 2022 15:50:44 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-14 14:02:53.242450
- Title: Towards End-to-End Open Conversational Machine Reading
- Title(参考訳): エンド・ツー・エンドの対話機械読解に向けて
- Authors: Sizhe Zhou (1, 2, 3), Siru Ouyang (1, 2, 3), Zhuosheng Zhang (1, 2,
3), Hai Zhao (1, 2, 3) ((1) Department of Computer Science and Engineering,
Shanghai Jiao Tong University, (2) Key Laboratory of Shanghai Education
Commission for Intelligent Interaction and Cognitive Engineering, Shanghai
Jiao Tong University, (3) MoE Key Lab of Artificial Intelligence, AI
Institute, Shanghai Jiao Tong University)
- Abstract要約: 我々は、OR-CMRを完全なエンドツーエンドスタイル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する。
OR-ShARCデータセットの実験は、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している。
- 参考スコア(独自算出の注目度): 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In open-retrieval conversational machine reading (OR-CMR) task, machines are
required to do multi-turn question answering given dialogue history and a
textual knowledge base. Existing works generally utilize two independent
modules to approach this problem's two successive sub-tasks: first with a
hard-label decision making and second with a question generation aided by
various entailment reasoning methods. Such usual cascaded modeling is
vulnerable to error propagation and prevents the two sub-tasks from being
consistently optimized. In this work, we instead model OR-CMR as a unified
text-to-text task in a fully end-to-end style. Experiments on the OR-ShARC
dataset show the effectiveness of our proposed end-to-end framework on both
sub-tasks by a large margin, achieving new state-of-the-art results. Further
ablation studies support that our framework can generalize to different
backbone models.
- Abstract(参考訳): 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。
既存の研究は、この問題の2つの連続したサブタスクにアプローチするために、2つの独立したモジュールを利用するのが一般的である。
このようなケースドモデリングはエラーの伝播に弱いため、2つのサブタスクが一貫して最適化されるのを防ぐ。
この作業では、OR-CMRを完全なエンドツーエンドスタイルで統一されたテキスト・トゥ・テキストタスクとしてモデル化する。
OR-ShARCデータセットの実験は、提案したエンドツーエンドフレームワークが両方のサブタスクに対して大きなマージンで有効であることを示す。
さらなるアブレーション研究は、我々のフレームワークが異なるバックボーンモデルに一般化できることを支持します。
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) - Cross-Modal Multi-Tasking for Speech-to-Text Translation via Hard
Parameter Sharing [72.56219471145232]
ハードパラメータ共有を伴うST/MTマルチタスクフレームワークを提案する。
本手法は,事前処理による音声文のモダリティギャップを低減する。
我々は,注意エンコーダ・デコーダ,コネクショニスト時間分類(CTC),トランスデューサ,共同CTC/アテンションモデルを平均+0.5BLEUで改善することを示す。
論文 参考訳(メタデータ) (2023-09-27T17:48:14Z) - InstructERC: Reforming Emotion Recognition in Conversation with a
Retrieval Multi-task LLMs Framework [10.926811477543081]
本稿では,Large Language Models(LLMs)に基づく識別的枠組みから生成的枠組みへ,感情認識タスクを再構築する新しい手法を提案する。
インストラクタは3つの重要な貢献をしている。
私たちのコードとアライメントされた統合データセット(UIME)はGithubのリンクで参照できます。
論文 参考訳(メタデータ) (2023-09-21T09:22:07Z) - A Unified Framework for Multi-intent Spoken Language Understanding with
prompting [14.17726194025463]
Prompt-based Spoken Language Understanding (PromptSLU) フレームワークについて述べる。
詳細は、音声をタスク固有のプロンプトテンプレートに入力として簡潔に充填し、キー-値ペアシーケンスの出力形式を共有することにより、IDとSFが完成する。
実験の結果,我々のフレームワークは2つの公開データセット上で,最先端のベースラインよりも優れていた。
論文 参考訳(メタデータ) (2022-10-07T05:58:05Z) - OPAL: Ontology-Aware Pretrained Language Model for End-to-End
Task-Oriented Dialogue [40.62090743056549]
本稿では、エンドツーエンドタスク指向対話(TOD)のためのオントロジー対応事前学習言語モデル(OPAL)を提案する。
チャット型対話モデルとは異なり、タスク指向対話モデルは少なくとも2つのタスク固有モジュールを満たす:対話状態トラッカー(DST)と応答生成器(RG)。
論文 参考訳(メタデータ) (2022-09-10T04:38:27Z) - Retrieve-and-Fill for Scenario-based Task-Oriented Semantic Parsing [110.4684789199555]
シナリオベースのセマンティックパーシングを導入し、最初に発話の「scenario」を曖昧にする必要がある元のタスクの変種を紹介します。
この定式化により、タスクの粗くきめ細かな側面を分離することが可能となり、それぞれがオフザシェルフニューラルネットワークモジュールで解決される。
私たちのモデルはモジュール化され、差別化可能で、解釈可能で、シナリオから余分な監督を得られるようになります。
論文 参考訳(メタデータ) (2022-02-02T08:00:21Z) - 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) - Reasoning in Dialog: Improving Response Generation by Context Reading
Comprehension [49.92173751203827]
マルチターンダイアログでは、発話が文の完全な形を取るとは限らない。
読み解きの質問に答えるモデルの能力を検討し、応答生成性能の向上を提案する。
論文 参考訳(メタデータ) (2020-12-14T10:58:01Z) - Tradeoffs in Sentence Selection Techniques for Open-Domain Question
Answering [54.541952928070344]
文選択のためのモデルの2つのグループについて述べる。QAベースのアプローチは、解答候補を特定するための完全なQAシステムを実行し、検索ベースのモデルは、各質問に特に関連する各節の一部を見つける。
非常に軽量なQAモデルは、このタスクではうまく機能するが、検索ベースモデルは高速である。
論文 参考訳(メタデータ) (2020-09-18T23:39:15Z) - Unsupervised Abstractive Dialogue Summarization for Tete-a-Tetes [49.901984490961624]
テテ-ア-テト(SuTaT)のための非教師なし抽象的対話要約モデルを提案する。
SuTaTは条件付き生成モジュールと2つの教師なし要約モジュールからなる。
実験の結果,SuTaTは自動評価と人的評価の両方において教師なし対話要約よりも優れていることがわかった。
論文 参考訳(メタデータ) (2020-09-15T03:27:52Z)
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。