論文の概要: Multi-grained Evidence Inference for Multi-choice Reading Comprehension

• arxiv url: http://arxiv.org/abs/2310.18070v1
• Date: Fri, 27 Oct 2023 11:36:18 GMT
• ステータス: 処理完了
• システム内更新日: 2023-10-30 14:10:58.045014
• Title: Multi-grained Evidence Inference for Multi-choice Reading Comprehension
• Title（参考訳）: マルチチョイス読み理解のための多粒度証拠推論
• Authors: Yilin Zhao, Hai Zhao and Sufeng Duan
• Abstract要約: MRC(Multi-choice Machine Reading)は、マシンが提供されたオプションに従って質問に答える上で、重要かつ困難なタスクである。 多粒性エビデンスを包括的に統合した多粒性エビデンス推論システム(Mugen)を提案する。 Mugen は3つの異なるエビデンスを抽出し、エビデンスを元のパスと統合し、4つのマルチチョイス MRC ベンチマークで顕著で一貫したパフォーマンス改善を達成する。
• 参考スコア（独自算出の注目度）: 62.0773160298008
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Multi-choice Machine Reading Comprehension (MRC) is a major and challenging task for machines to answer questions according to provided options. Answers in multi-choice MRC cannot be directly extracted in the given passages, and essentially require machines capable of reasoning from accurate extracted evidence. However, the critical evidence may be as simple as just one word or phrase, while it is hidden in the given redundant, noisy passage with multiple linguistic hierarchies from phrase, fragment, sentence until the entire passage. We thus propose a novel general-purpose model enhancement which integrates multi-grained evidence comprehensively, named Multi-grained evidence inferencer (Mugen), to make up for the inability. Mugen extracts three different granularities of evidence: coarse-, middle- and fine-grained evidence, and integrates evidence with the original passages, achieving significant and consistent performance improvement on four multi-choice MRC benchmarks.
• Abstract（参考訳）: MRC(Multi-choice Machine Reading Comprehension)は、機械が与えられた選択肢に応じて質問に答える上で、主要な課題である。 マルチチョイスMRCの回答は、与えられた通路で直接抽出することはできず、本質的には正確な抽出された証拠から推論できる機械を必要とする。 しかし、批判的な証拠は1つの単語や句と同じくらい単純であり、与えられた冗長でノイズの多い節の中に隠され、句、断片、文から全節まで、複数の言語的階層がある。 そこで本研究では,多粒度証拠を包括的に統合した汎用モデル拡張法である多粒度証拠推論器 (mugen) を提案する。 Mugen は、粗大、中小、微粒の3つの証拠を抽出し、エビデンスを元のパスと統合し、4つのマルチチョイス MRC ベンチマークで有意かつ一貫した性能改善を達成する。

関連論文リスト

• Piecing It All Together: Verifying Multi-Hop Multimodal Claims [39.68850054331197]
  マルチホップマルチモーダルクレーム検証という新しいタスクを導入する。 このタスクは、テキスト、画像、テーブルなど、さまざまなソースから複数のエビデンスを推論するモデルに挑戦する。 16kのマルチホップクレームとマルチモーダルなエビデンスを組み合わせた大規模データセットMMCVを構築し,人間からのフィードバックを付加した。
  論文  参考訳（メタデータ） (2024-11-14T16:01:33Z)
• KS-LLM: Knowledge Selection of Large Language Models with Evidence Document for Question Answering [35.87885118640294]
  大きな言語モデル(LLM)は幻覚の問題に悩まされ、知識集約的なタスクに適用した場合、重大な課題に直面します。 本稿では,証拠文書から貴重な情報を特定することを目的とした,大規模言語モデル(KS-LLM)の新たな知識選択手法を提案する。 まず、入力された質問に基づいて三つ組を生成し、次に証拠文書から三つ組に最もよく似たエビデンス文を選択し、最後に、エビデンス文と三つ組を組み合わせ、大きな言語モデルで回答を生成する。
  論文  参考訳（メタデータ） (2024-04-24T05:32:41Z)
• AQE: Argument Quadruplet Extraction via a Quad-Tagging Augmented Generative Approach [40.510976649949576]
  本稿では,AQE抽出課題を提案する。 AQEは、クレーム、エビデンス、エビデンスタイプ、スタンスという4つの議論的要素をオールインワンで抽出することができる。 そこで本研究では,四重項タグ付けモジュールを利用した新しい四重項タグ付け拡張手法を提案する。
  論文  参考訳（メタデータ） (2023-05-31T14:35:53Z)
• Give Me More Details: Improving Fact-Checking with Latent Retrieval [58.706972228039604]
  証拠は、自動化された事実チェックにおいて重要な役割を果たす。 既存のファクトチェックシステムは、エビデンス文が与えられたと仮定するか、検索エンジンが返した検索スニペットを使用する。 資料から得られた全文を証拠として組み込んで,2つの豊富なデータセットを導入することを提案する。
  論文  参考訳（メタデータ） (2023-05-25T15:01:19Z)
• Answering Questions by Meta-Reasoning over Multiple Chains of Thought [53.55653437903948]
  MCR(Multi-Chain Reasoning)は,大規模言語モデルに対して,複数の思考連鎖に対するメタ推論を促す手法である。 MCRは、異なる推論連鎖を調べ、それら間で情報を混合し、説明を生成し、答えを予測する際に最も関係のある事実を選択する。
  論文  参考訳（メタデータ） (2023-04-25T17:27:37Z)
• Multi-hop Inference for Question-driven Summarization [39.08269647808958]
  本稿では,新しい質問駆動抽象要約手法であるMulti-hop Selective Generator (MSG)を提案する。 MSGは、マルチホップ推論を質問駆動要約に取り入れ、生成した要約の正当化を提供する。 実験結果から,提案手法は2つの非ファクトイドQAデータセット上で常に最先端の手法より優れていることがわかった。
  論文  参考訳（メタデータ） (2020-10-08T02:36:39Z)
• Composing Answer from Multi-spans for Reading Comprehension [77.32873012668783]
  本稿では,非抽出機械読解(MRC)タスクに対する応答を生成する新しい手法を提案する。 提案手法は,長い解答を正確に生成する性能が向上し,競合する2つの典型的な1スパンとSeq2Seqのベースラインデコーダよりも大幅に向上する。
  論文  参考訳（メタデータ） (2020-09-14T01:44:42Z)
• A Self-Training Method for Machine Reading Comprehension with Soft Evidence Extraction [89.88061141170512]
  機械読解モデルの学習のための自己学習法(STM)を提案する。 各イテレーションにおいて、ベースMCCモデルは、黄金の回答とノイズの多いエビデンスラベルで訓練される。 トレーニングされたモデルは、偽の証拠ラベルを次のイテレーションで追加の監督として予測する。
  論文  参考訳（メタデータ） (2020-05-11T15:26:07Z)
• DUMA: Reading Comprehension with Transposition Thinking [107.89721765056281]
  MRC (Multi-choice Machine Reading) は、解答オプションのセットから正しい解答を決定するためのモデルを必要とする。 新しい Dual Multi-head Co-Attention (DUMA) モデルは、多選択MRC問題を解決する人間の転置思考プロセスにインスパイアされている。
  論文  参考訳（メタデータ） (2020-01-26T07:35:02Z)

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。