論文の概要: AmbigNLG: Addressing Task Ambiguity in Instruction for NLG

• arxiv url: http://arxiv.org/abs/2402.17717v4
• Date: Mon, 04 Nov 2024 18:48:34 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-11-05 14:41:22.500609
• Title: AmbigNLG: Addressing Task Ambiguity in Instruction for NLG
• Title（参考訳）: AmbigNLG: NLGの指導におけるタスクの曖昧さに対処する
• Authors: Ayana Niwa, Hayate Iso,
• Abstract要約: 我々は、自然言語生成(NLG)の指示におけるタスク曖昧性の課題に取り組むために設計された新しいタスクであるAmbigNLGを紹介する。 本稿では,異なる種類の命令の曖昧さを分類し,より明確な仕様で初期命令を洗練するあいまいさ分類法を提案する。 AmbigNLGの研究を促進するために注釈付けされた2500のインスタンスからなるデータセットを提示する。
• 参考スコア（独自算出の注目度）: 3.501089006246038
• License:
• Abstract: We introduce AmbigNLG, a novel task designed to tackle the challenge of task ambiguity in instructions for Natural Language Generation (NLG). Ambiguous instructions often impede the performance of Large Language Models (LLMs), especially in complex NLG tasks. To tackle this issue, we propose an ambiguity taxonomy that categorizes different types of instruction ambiguities and refines initial instructions with clearer specifications. Accompanying this task, we present AmbigSNI-NLG, a dataset comprising 2,500 instances annotated to facilitate research in AmbigNLG. Through comprehensive experiments with state-of-the-art LLMs, we demonstrate that our method significantly enhances the alignment of generated text with user expectations, achieving up to a 15.02-point increase in ROUGE scores. Our findings highlight the critical importance of addressing task ambiguity to fully harness the capabilities of LLMs in NLG tasks. Furthermore, we confirm the effectiveness of our method in practical settings involving interactive ambiguity mitigation with users, underscoring the benefits of leveraging LLMs for interactive clarification.
• Abstract（参考訳）: 本稿では,自然言語生成(NLG)命令におけるタスク曖昧性の課題に対処するための新しいタスクであるAmbigNLGを紹介する。 曖昧な命令は、特に複雑な NLG タスクにおいて、Large Language Models (LLM) のパフォーマンスを阻害する。 この問題に対処するために、異なる種類の命令曖昧さを分類し、より明確な仕様で初期命令を洗練するあいまいさ分類法を提案する。 本稿では,AmbigNLGの研究を促進するために,2500のインスタンスをアノテートしたデータセットであるAmbigSNI-NLGを紹介する。 最新のLCMを用いた総合的な実験により,提案手法はユーザからの期待に応えて生成したテキストのアライメントを大幅に向上し,最大15.02ポイントのROUGEスコアを達成できることを示した。 NLGタスクにおけるLLMの能力をフル活用するためには,タスクあいまいさに対処することが重要である。 さらに,ユーザとの対話的あいまいさ軽減を伴う現実的な環境における本手法の有効性を確認し,対話的明確化にLLMを活用するメリットを強調した。

関連論文リスト

• Continual LLaVA: Continual Instruction Tuning in Large Vision-Language Models [93.5327725085853]
  連続LLaVA(Continuous LLaVA)は、LVLMにおける連続的な命令チューニングに適したリハーサルフリーな手法である。 実験により,提案した連続LLaVAは,連続的な命令チューニング過程における忘れを著しく減らし,従来の手法よりも優れていたことが示唆された。
  論文  参考訳（メタデータ） (2024-11-04T19:55:32Z)
• Words as Beacons: Guiding RL Agents with High-Level Language Prompts [6.7236795813629]
  大型言語モデル(LLM)は「教師」として、複雑なタスクをサブゴールに分解することでエージェントの学習プロセスを導く。 LLMは、人間と同じような方法で、環境のために定義されたタスクを達成するためのサブゴールを提供することができる。 トレーニングフェーズの間のみLLMに問い合わせることができ、エージェントはLLMの介入なしに環境内で操作できる。
  論文  参考訳（メタデータ） (2024-10-11T08:54:45Z)
• Neurosymbolic AI for Enhancing Instructability in Generative AI [7.4348066967005275]
  生成AIは、テキスト、画像、音楽間でコンテンツ生成を変換し、プロンプトを通じて指示に従う能力を示した。 本稿では,ニューロシンボリックAIがLarge Language Models(LLMs)のインストラクタビリティを高めるためのより良い経路を提供する理由を考察する。 ニューロシンボリックアプローチによってタスク実行の信頼性とコンテキスト認識が向上し,LLMが動的に解釈し,より広い範囲の教育コンテキストに対応し,より精度と柔軟性が向上することを示す。
  論文  参考訳（メタデータ） (2024-07-26T13:15:50Z)
• Systematic Task Exploration with LLMs: A Study in Citation Text Generation [63.50597360948099]
  大規模言語モデル(LLM)は、複雑な創造的自然言語生成(NLG)タスクの定義と実行において、前例のない柔軟性をもたらす。 本稿では,系統的な入力操作,参照データ,出力測定からなる3成分研究フレームワークを提案する。 我々はこのフレームワークを用いて引用テキスト生成を探索する。これは一般的なNLPタスクであり、タスク定義と評価基準に関するコンセンサスを欠いている。
  論文  参考訳（メタデータ） (2024-07-04T16:41:08Z)
• Integrating Large Language Models with Graphical Session-Based Recommendation [8.086277931395212]
  LLMGRというグラフィカルなセッションベースレコメンデーションを備えた大規模言語モデルを導入する。 このフレームワークは、SBRタスクのためのLLMとグラフニューラルネットワーク(GNN)を調和して統合することでギャップを埋める。 この統合は、自然言語理解におけるLLMとリレーショナルデータ処理におけるGNNの相補的な強みを活用することを目指している。
  論文  参考訳（メタデータ） (2024-02-26T12:55:51Z)
• INTERS: Unlocking the Power of Large Language Models in Search with Instruction Tuning [59.07490387145391]
  大規模言語モデル(LLM)は、様々な自然言語処理タスクにおいて印象的な機能を示している。 情報検索(IR)タスクへのそれらの適用は、自然言語における多くのIR固有の概念の頻繁な発生のため、いまだに困難である。 我々は,3つの基本IRカテゴリにまたがる20のタスクを含む新しいインストラクションチューニングデータセット InterS を導入する。
  論文  参考訳（メタデータ） (2024-01-12T12:10:28Z)
• ADaPT: As-Needed Decomposition and Planning with Language Models [131.063805299796]
  As-Needed Decomposition and Planning for Complex Tasks (ADaPT)について紹介する。 ADaPTは、Large Language Modelsがそれらを実行できない場合、複雑なサブタスクを明示的に計画し、分解する。 以上の結果から,ADaPTは強いベースラインを確立した。
  論文  参考訳（メタデータ） (2023-11-08T17:59:15Z)
• The Shifted and The Overlooked: A Task-oriented Investigation of User-GPT Interactions [114.67699010359637]
  実際のユーザクエリの大規模なコレクションをGPTに解析する。 ユーザインタラクションでは'設計'や'計画'といったタスクが一般的だが,従来のNLPベンチマークとは大きく異なる。
  論文  参考訳（メタデータ） (2023-10-19T02:12:17Z)
• Improving Open Information Extraction with Large Language Models: A Study on Demonstration Uncertainty [52.72790059506241]
  オープン情報抽出(OIE)タスクは、構造化されていないテキストから構造化された事実を抽出することを目的としている。 一般的なタスク解決手段としてChatGPTのような大きな言語モデル(LLM)の可能性にもかかわらず、OIEタスクの最先端(教師付き)メソッドは遅れている。
  論文  参考訳（メタデータ） (2023-09-07T01:35:24Z)

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。