論文の概要: Beam Retrieval: General End-to-End Retrieval for Multi-Hop Question Answering

• arxiv url: http://arxiv.org/abs/2308.08973v1
• Date: Thu, 17 Aug 2023 13:24:14 GMT
• ステータス: 処理完了
• システム内更新日: 2023-08-21 16:46:21.786064
• Title: Beam Retrieval: General End-to-End Retrieval for Multi-Hop Question Answering
• Title（参考訳）: ビーム検索:マルチホップ質問応答のための一般エンドツーエンド検索
• Authors: Jiahao Zhang, Haiyang Zhang, Dongmei Zhang, Yong Liu and Shen Huang
• Abstract要約: マルチホップQAは、複数の関連するパスを見つけ、複雑な質問に答えるためにステップバイステップの推論を行う。 従来の手法では、関連する通路を選択するための検索モジュールが開発されたが、2つのホップを超えるシナリオでは課題に直面している。 マルチホップQAのための一般的なエンドツーエンド検索フレームワークであるBeam Retrievalを紹介する。
• 参考スコア（独自算出の注目度）: 39.840997016313466
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Multi-hop QA involves finding multiple relevant passages and step-by-step reasoning to answer complex questions. While previous approaches have developed retrieval modules for selecting relevant passages, they face challenges in scenarios beyond two hops, owing to the limited performance of one-step methods and the failure of two-step methods when selecting irrelevant passages in earlier stages. In this work, we introduce Beam Retrieval, a general end-to-end retrieval framework for multi-hop QA. This approach maintains multiple partial hypotheses of relevant passages at each step, expanding the search space and reducing the risk of missing relevant passages. Moreover, Beam Retrieval jointly optimizes an encoder and two classification heads by minimizing the combined loss across all hops. To establish a complete QA system, we incorporate a supervised reader or a zero-shot GPT-3.5. Experimental results demonstrate that Beam Retrieval achieves a nearly 50% improvement compared with baselines on challenging MuSiQue-Ans, and it also surpasses all previous retrievers on HotpotQA and 2WikiMultiHopQA. Providing high-quality context, Beam Retrieval helps our supervised reader achieve new state-of-the-art performance and substantially improves (up to 28.8 points) the QA performance of zero-shot GPT-3.5.
• Abstract（参考訳）: マルチホップQAは、複数の関連するパスを見つけ、複雑な質問に答えるためにステップバイステップの推論を行う。 従来の手法では, 関連する経路を選択するための検索モジュールが開発されていたが, 1段法の性能の制限や, 初期の無関係経路を選択する場合の2段法の故障などにより, 2段法を越えたシナリオの課題に直面した。 本研究では,マルチホップQAのための一般的なエンドツーエンド検索フレームワークであるBeam Retrievalを紹介する。 このアプローチは、各ステップにおける関連する通路の複数の部分的な仮説を維持し、探索空間を拡大し、関連する通路を欠くリスクを減らす。 さらに、ビーム検索は全ホップ間の複合損失を最小限に抑え、エンコーダと2つの分類ヘッドを共同最適化する。 完全QAシステムを構築するために、教師付きリーダーやゼロショットGPT-3.5を組み込む。 実験の結果,Beam Retrieval は MuSiQue-Ans に挑戦するベースラインに比べて50%近く改善され,HotpotQA と 2WikiMultiHopQA のレトリバーを上回っていることがわかった。 Beam Retrievalは高品質なコンテキストを提供することで、教師あり読者が新しい最先端のパフォーマンスを実現し、ゼロショットGPT-3.5のQA性能を大幅に改善する(最大28.8ポイント)。

関連論文リスト

• Retrieve, Summarize, Plan: Advancing Multi-hop Question Answering with an Iterative Approach [6.549143816134531]
  二重機能要約器を備えたReSPと呼ばれる新しい反復RAG法を提案する。 マルチホップ質問応答HotpotQAと2WikiMultihopQAの実験結果から,本手法が最先端技術よりも優れていることが示された。
  論文  参考訳（メタデータ） (2024-07-18T02:19:00Z)
• Performance Prediction for Multi-hop Questions [7.388002745070808]
  オープンドメイン型マルチホップ質問の性能を予測するための検索前手法であるmultHPを提案する。 評価の結果,提案モデルが従来のシングルホップQPPモデルよりも優れた性能を示すことが示唆された。
  論文  参考訳（メタデータ） (2023-08-12T01:34:41Z)
• Rethinking Label Smoothing on Multi-hop Question Answering [87.68071401870283]
  MHQA (Multi-Hop Question Answering) は質問応答において重要な分野である。 本研究では,マルチホップ推論の性能を制限する主要な要因を解析する。 学習プロセスに不確実性を組み込んだ新しいラベル平滑化手法F1 Smoothingを提案する。
  論文  参考訳（メタデータ） (2022-12-19T14:48:08Z)
• Locate Then Ask: Interpretable Stepwise Reasoning for Multi-hop Question Answering [71.49131159045811]
  マルチホップ推論では、複雑な質問に答えるために複数の文書を集約する必要がある。 既存の方法は通常、マルチホップの質問を単純なシングルホップの質問に分解する。 そこで本研究では,単一ホップ支援文識別と単一ホップ質問生成の両方を組み込む,解釈可能な段階的推論フレームワークを提案する。
  論文  参考訳（メタデータ） (2022-08-22T13:24:25Z)
• From Easy to Hard: Two-stage Selector and Reader for Multi-hop Question Answering [12.072618400000763]
  マルチホップ質問応答(Multi-hop question answering, QA)は、複数の文書に対して複雑な推論を行うQAシステムを必要とする課題である。 本稿では,難読化情報を取り除き,文脈表現を改善するための新しいフレームワーク,From Easy to Hard (FE2H)を提案する。 FE2Hは文書セレクタとリーダーの両方を2段階に分割する。
  論文  参考訳（メタデータ） (2022-05-24T02:33:58Z)
• Modeling Multi-hop Question Answering as Single Sequence Prediction [88.72621430714985]
  本稿では,単純な生成手法(PathFid)を提案する。 PathFidは、マルチホップ質問に対する回答を解決するための推論プロセスを明示的にモデル化する。 実験の結果,PathFidは2つのマルチホップQAデータセットに対して高い性能向上をもたらすことが示された。
  論文  参考訳（メタデータ） (2022-05-18T21:57:59Z)
• Decomposing Complex Questions Makes Multi-Hop QA Easier and More Interpretable [25.676852169835833]
  マルチホップQAでは、機械が複数の手がかりと推論を見つけることで複雑な質問に答える必要がある。 本稿では,複雑な質問分解に基づく3段階のフレームワークであるRelation Extractor-Reader and Comparator(RERC)を提案する。 2WikiMultiHopQAデータセットでは、我々のRERCモデルは最も高度なパフォーマンスを達成し、勝利した合同F1スコアはリーダーボード上で53.58である。
  論文  参考訳（メタデータ） (2021-10-26T08:10:35Z)
• Answering Complex Open-Domain Questions with Multi-Hop Dense Retrieval [117.07047313964773]
  複雑なオープンドメインの質問に答えるために, 単純で効率的なマルチホップ高密度検索手法を提案する。 本手法では,文書間ハイパーリンクやアノテートされたエンティティマーカーなど,コーパス固有の情報へのアクセスは不要である。 提案システムでは,HotpotQA上でのベストパブリッシュ精度と,推論時の10倍の速度で,より優れた効率・精度のトレードオフも実現している。
  論文  参考訳（メタデータ） (2020-09-27T06:12:29Z)
• Answering Any-hop Open-domain Questions with Iterative Document Reranking [62.76025579681472]
  オープンドメインの問に答える統合QAフレームワークを提案する。 提案手法は,シングルホップおよびマルチホップのオープンドメインQAデータセットにおいて,最先端技術に匹敵する性能を継続的に達成する。
  論文  参考訳（メタデータ） (2020-09-16T04:31:38Z)

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。