論文の概要: Language models are not naysayers: An analysis of language models on negation benchmarks

• arxiv url: http://arxiv.org/abs/2306.08189v1
• Date: Wed, 14 Jun 2023 01:16:37 GMT
• ステータス: 処理完了
• システム内更新日: 2023-06-16 20:44:49.003510
• Title: Language models are not naysayers: An analysis of language models on negation benchmarks
• Title（参考訳）: 言語モデルは否定者ではない:否定ベンチマークによる言語モデルの解析
• Authors: Thinh Hung Truong, Timothy Baldwin, Karin Verspoor, Trevor Cohn
• Abstract要約: 我々は,次世代自動回帰言語モデルによる否定処理能力の評価を行った。 LLMには,否定の存在に対する感受性,否定の語彙的意味を捉える能力の欠如,否定下での推論の失敗など,いくつかの制限があることが示されている。
• 参考スコア（独自算出の注目度）: 58.32362243122714
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Negation has been shown to be a major bottleneck for masked language models, such as BERT. However, whether this finding still holds for larger-sized auto-regressive language models (``LLMs'') has not been studied comprehensively. With the ever-increasing volume of research and applications of LLMs, we take a step back to evaluate the ability of current-generation LLMs to handle negation, a fundamental linguistic phenomenon that is central to language understanding. We evaluate different LLMs -- including the open-source GPT-neo, GPT-3, and InstructGPT -- against a wide range of negation benchmarks. Through systematic experimentation with varying model sizes and prompts, we show that LLMs have several limitations including insensitivity to the presence of negation, an inability to capture the lexical semantics of negation, and a failure to reason under negation.
• Abstract（参考訳）: BERTのようなマスキング言語モデルでは、否定が大きなボトルネックであることが示されている。 しかし、この発見がより大きな自己回帰型言語モデル(``LLMs'')をまだ包括的に研究していない。 言語理解の中心となる基本的な言語現象である否定に対処する現在の世代のLSMの能力を評価するために,LLMの研究と応用の増大とともに一歩後退する。 我々は,オープンソースの GPT-neo や GPT-3, InstructGPT など,さまざまな LLM を,幅広い否定ベンチマークに対して評価する。 様々なモデルサイズとプロンプトを用いた系統的実験により, llmは否定の存在に対する無感性, 否定の語彙意味を捉えることができないこと, 否定下での推論に失敗することなど, いくつかの制限があることが示されている。

関連論文リスト

• Understanding and Mitigating Language Confusion in LLMs [76.96033035093204]
  我々は,既存の英語および多言語プロンプトを用いた15の型的多様言語の評価を行った。 Llama Instruct と Mistral のモデルでは,言語的混乱の度合いが高いことがわかった。 言語混乱は,数発のプロンプト,多言語SFT,選好調整によって部分的に緩和できることがわかった。
  論文  参考訳（メタデータ） (2024-06-28T17:03:51Z)
• Revisiting subword tokenization: A case study on affixal negation in large language models [57.75279238091522]
  現代英語大言語モデル(LLM)に対する接尾辞否定の影響を計測する。 我々は、異なるサブワードトークン化手法を用いてLLMを用いて実験を行う。 モデルは全体として、接尾辞の意味を確実に認識できることを示す。
  論文  参考訳（メタデータ） (2024-04-03T03:14:27Z)
• Uncertainty Quantification for In-Context Learning of Large Language Models [52.891205009620364]
  大規模言語モデル(LLM)の画期的な能力として、文脈内学習が登場している。 両タイプの不確かさを定量化するための新しい定式化法とそれに対応する推定法を提案する。 提案手法は、プラグイン・アンド・プレイ方式でコンテキスト内学習の予測を理解するための教師なしの方法を提供する。
  論文  参考訳（メタデータ） (2024-02-15T18:46:24Z)
• This is not a Dataset: A Large Negation Benchmark to Challenge Large Language Models [4.017326849033009]
  我々は,否定を理解する大規模言語モデルの最適部分性能の理由を明らかにする。 我々は,コモンセンス知識に関する40万前後の記述文を半自動生成する大規模データセットを提案する。 我々は,その一般化と推論能力を把握するために,ゼロショットアプローチで利用可能な最大オープンLCMを用いてデータセットを構築した。
  論文  参考訳（メタデータ） (2023-10-24T15:38:21Z)
• Not another Negation Benchmark: The NaN-NLI Test Suite for Sub-clausal Negation [59.307534363825816]
  否定は現在の言語モデルでは不十分だが、この問題の範囲は広く理解されていない。 自然言語推論(NLI)テストスイートを導入し,NLP手法の能力を検証した。
  論文  参考訳（メタデータ） (2022-10-06T23:39:01Z)
• Improving negation detection with negation-focused pre-training [58.32362243122714]
  否定は共通の言語的特徴であり、多くの言語理解タスクにおいて不可欠である。 最近の研究で、最先端のNLPモデルは否定を含むサンプルで性能が低いことが示されている。 本稿では,データ拡張と否定マスキングを対象とする,否定に焦点をあてた新たな事前学習戦略を提案する。
  論文  参考訳（メタデータ） (2022-05-09T02:41:11Z)
• Generalized Quantifiers as a Source of Error in Multilingual NLU Benchmarks [5.818232893255398]
  我々は、言語に依存しない量化語のセマンティクスの表現に一般化量化理論を頼っている。 定量化器はNLUベンチマークにおいて広く普及しており,テスト時に発生する量化器は性能低下と関連していることがわかった。 マルチリンガルモデルは、不満足な量化子推論能力を示すが、英語以外の言語では必ずしも悪くはない。
  論文  参考訳（メタデータ） (2022-04-22T10:21:46Z)

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。