論文の概要: Learning Answer Generation using Supervision from Automatic Question Answering Evaluators

• arxiv url: http://arxiv.org/abs/2305.15344v1
• Date: Wed, 24 May 2023 16:57:04 GMT
• ステータス: 処理完了
• システム内更新日: 2023-05-25 14:12:13.663610
• Title: Learning Answer Generation using Supervision from Automatic Question Answering Evaluators
• Title（参考訳）: 自動質問応答評価器によるスーパービジョンによる回答生成
• Authors: Matteo Gabburo, Siddhant Garg, Rik Koncel-Kedziorski, Alessandro Moschitti
• Abstract要約: 我々は、自動QA評価モデル(GAVA)の監督を用いたGenQAのための新しいトレーニングパラダイムを提案する。 提案手法を2つの学術的, 1つの産業的データセット上で評価し, 過去の技術状況に対して, 回答精度を大幅に向上させた。
• 参考スコア（独自算出の注目度）: 98.9267570170737
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Recent studies show that sentence-level extractive QA, i.e., based on Answer Sentence Selection (AS2), is outperformed by Generation-based QA (GenQA) models, which generate answers using the top-k answer sentences ranked by AS2 models (a la retrieval-augmented generation style). In this paper, we propose a novel training paradigm for GenQA using supervision from automatic QA evaluation models (GAVA). Specifically, we propose three strategies to transfer knowledge from these QA evaluation models to a GenQA model: (i) augmenting training data with answers generated by the GenQA model and labelled by GAVA (either statically, before training, or (ii) dynamically, at every training epoch); and (iii) using the GAVA score for weighting the generator loss during the learning of the GenQA model. We evaluate our proposed methods on two academic and one industrial dataset, obtaining a significant improvement in answering accuracy over the previous state of the art.
• Abstract（参考訳）: 近年の研究では、文レベルの抽出QA(すなわち、Answer Sentence Selection (AS2)に基づく)が、AS2モデルでランク付けされた上位kの回答文を用いて回答を生成するジェネレーションベースのQA(GenQA)モデルより優れていることが示されている。 本稿では,GAVA (Automatic QA Evaluation Model) を用いたGenQAのための新しいトレーニングパラダイムを提案する。 具体的には、これらのQA評価モデルからGenQAモデルに知識を伝達する3つの戦略を提案する。 (i)genqaモデルが生成し、gava(静的に、トレーニング前に)がラベル付けした回答でトレーニングデータを増強すること。 (二)動的に、各訓練時期において、及び 3)GenQAモデルの学習におけるジェネレータ損失の重み付けにGAVAスコアを用いた。 提案手法を2つの学術的, 1つの産業的データセット上で評価し, これまでの技術状況よりも精度が向上した。

関連論文リスト

• Knowledge Transfer from Answer Ranking to Answer Generation [97.38378660163414]
  我々は、訓練されたAS2モデルから知識を伝達することで、GenQAモデルをトレーニングすることを提案する。 また,AS2モデル予測スコアを損失重み付けおよびスコア条件付き入出力整形に用いることを提案する。
  論文  参考訳（メタデータ） (2022-10-23T21:51:27Z)
• Closed-book Question Generation via Contrastive Learning [20.644215991166895]
  コントラスト学習モジュールと回答再構成モジュールを併用した新しいQGモデルを提案する。 提案手法を応用して,既存のクローズドブックQAシステムを改善する方法について述べる。
  論文  参考訳（メタデータ） (2022-10-13T06:45:46Z)
• Generative Bias for Robust Visual Question Answering [74.42555378660653]
  本稿では,GenB と呼ばれる対象モデルから直接バイアスモデルを学習するための生成手法を提案する。 特に、GenBは、敵の目的と知識の蒸留を組み合わせることで、ターゲットモデルのバイアスを学習するために生成ネットワークを使用している。 提案手法がVQA-CP2, VQA-CP1, GQA-OOD, VQA-CEなどの様々なVQAバイアスデータセットに与える影響を広範囲にわたる実験により明らかにした。
  論文  参考訳（メタデータ） (2022-08-01T08:58:02Z)
• Improving Unsupervised Question Answering via Summarization-Informed Question Generation [47.96911338198302]
  質問生成 (QG) とは, 質問文, 質問文, 質問文, 質問文, 質問文, 質問文, 質問文, 質問文, 質問文, 質問文, 質問文、質問文、質問文、質問文、質問文、質問文、質問文、質問文、質問文、質問文、質問文、質問文、質問文、質問文、質問文、質問文、質問文、質問文、質問文、 我々は、自由なニュース要約データを使用し、宣言文を依存性解析、名前付きエンティティ認識、セマンティックロールラベリングを用いて適切な質問に変換する。 得られた質問は、元のニュース記事と組み合わせて、エンドツーエンドのニューラルQGモデルをトレーニングする。
  論文  参考訳（メタデータ） (2021-09-16T13:08:43Z)
• Harvesting and Refining Question-Answer Pairs for Unsupervised QA [95.9105154311491]
  教師なし質問回答(QA)を改善するための2つのアプローチを提案する。 まず、ウィキペディアから語彙的・構文的に異なる質問を抽出し、質問応答対のコーパスを自動的に構築する(RefQAと名づけられる)。 第2に、より適切な回答を抽出するためにQAモデルを活用し、RefQA上でデータを反復的に洗練する。
  論文  参考訳（メタデータ） (2020-05-06T15:56:06Z)
• Template-Based Question Generation from Retrieved Sentences for Improved Unsupervised Question Answering [98.48363619128108]
  擬似学習データを用いてQAモデルを訓練するための教師なしアプローチを提案する。 関連した検索文に簡単なテンプレートを適用してQA学習のための質問を生成すると、元の文脈文よりも、下流QAのパフォーマンスが向上することを示す。
  論文  参考訳（メタデータ） (2020-04-24T17:57:45Z)
• Generating Rationales in Visual Question Answering [28.45552957339557]
  視覚質問応答(VQA)のための新しいタスク分岐生成法を提案する。 VCR(Visual Commonsense Rea-soning)タスクのデータを、視覚的な質問や回答とともに、基礎的真実を含むものとして使用しています。 我々は、VQAにおける解答の予測と合理性の生成という2つのタスクで、GPT-2でVLBERTをエンドツーエンドで訓練する。
  論文  参考訳（メタデータ） (2020-04-04T22:15:35Z)

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。