論文の概要: BP4ER: Bootstrap Prompting for Explicit Reasoning in Medical Dialogue Generation
- arxiv url: http://arxiv.org/abs/2403.19414v1
- Date: Thu, 28 Mar 2024 13:38:13 GMT
- ステータス: 処理完了
- システム内更新日: 2024-03-29 16:14:04.133513
- Title: BP4ER: Bootstrap Prompting for Explicit Reasoning in Medical Dialogue Generation
- Title（参考訳）: BP4ER:医療対話生成における明示的推論のためのブートストラッププロンプト
- Authors: Yuhong He, Yongqi Zhang, Shizhu He, Jun Wan,
- Abstract要約: 医療対話生成(MDG)はその実質的な価値から注目を集めている。
MDG(BP4ER)における明示的推論のためのBootstrap Prompting法を提案する。
BP4ERはMDGの多段階推論プロセスを明示的にモデル化し、この推論プロセスを反復的に強化する。
2つの公開データセットの実験結果から,BP4ERは客観的および主観的評価指標の両方の観点から,最先端の手法よりも優れていたことが示唆された。
- 参考スコア（独自算出の注目度）: 31.40174974440382
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Medical dialogue generation (MDG) has gained increasing attention due to its substantial practical value. Previous works typically employ a sequence-to-sequence framework to generate medical responses by modeling dialogue context as sequential text with annotated medical entities. While these methods have been successful in generating fluent responses, they fail to provide process explanations of reasoning and require extensive entity annotation. To address these limitations, we propose the method Bootstrap Prompting for Explicit Reasoning in MDG (BP4ER), which explicitly model MDG's multi-step reasoning process and iteratively enhance this reasoning process. We employ a least-to-most prompting strategy to guide a large language model (LLM) in explicit reasoning, breaking down MDG into simpler sub-questions. These sub-questions build on answers from previous ones. Additionally, we also introduce two distinct bootstrapping techniques for prompting, which autonomously correct errors and facilitate the LLM's explicit reasoning. This approach eliminates the need for entity annotation and increases the transparency of the MDG process by explicitly generating the intermediate reasoning chain. The experimental findings on the two public datasets indicate that BP4ER outperforms state-of-the-art methods in terms of both objective and subjective evaluation metrics.
- Abstract（参考訳）: 医療対話生成(MDG)はその実質的な価値から注目を集めている。
従来の研究は、典型的にはシーケンス・ツー・シーケンス・フレームワークを使用して、対話コンテキストを注釈付き医療エンティティによるシーケンシャルテキストとしてモデル化することで、医療応答を生成する。
これらの手法は、流動的な応答を生成することに成功しているが、推論のプロセス説明の提供に失敗し、広範囲なエンティティアノテーションを必要としている。
これらの制約に対処するため、MDGの多段階推論プロセスを明示的にモデル化し、反復的にこの推論プロセスを強化する、MDGの明示的推論のためのBootstrap Prompting法(BP4ER)を提案する。
我々は、MDGをより単純なサブクエストに分割し、明示的な推論において大きな言語モデル(LLM)を導くために、最小限のプロンプト戦略を採用する。
これらのサブクエストは、以前のものからの回答に基づいている。
さらに,エラーを自律的に修正し,LCMの明示的な推論を促進する,プロンプトのための2つの異なるブートストラップ手法も導入する。
このアプローチはエンティティアノテーションの必要性を排除し、中間推論チェーンを明示的に生成することでMDGプロセスの透明性を高める。
2つの公開データセットの実験結果から,BP4ERは客観的および主観的評価指標の両方の観点から,最先端の手法よりも優れていたことが示唆された。
関連論文リスト
- Iteration of Thought: Leveraging Inner Dialogue for Autonomous Large Language Model Reasoning [0.0]
反復的人間のエンゲージメントは、大規模言語モデル(LLM)の高度な言語処理能力を活用するための一般的かつ効果的な手段である。
思考の反復(IoT)フレームワークを提案する。
静的アプローチや半静的アプローチとは異なり、IoTは進化するコンテキストに基づいて推論パスを動的に適応する。
論文 参考訳（メタデータ） (2024-09-19T09:44:17Z) - Unveiling and Manipulating Prompt Influence in Large Language Models [12.04811490937078]
Token Distribution Dynamics (TDD)は、大規模言語モデル(LLM)の生成におけるプロンプトの役割を公表し、操作するための、テキストカラーの簡易かつ効果的なアプローチである。
論文 参考訳（メタデータ） (2024-05-20T09:15:36Z) - Reward Engineering for Generating Semi-structured Explanation [11.49422399721136]
半構造化された説明は、明示的な表現を持つ推論者の暗黙の過程を描いている。
この説明は、特定のクエリで利用可能な情報がどのように利用され、その内部重みから回答を生成するための情報で補足されるかを強調している。
言語モデルの生成能力は近年改善されているが、モデルの真の推論能力を検証する構造的な説明を生成することは依然として課題である。
論文 参考訳（メタデータ） (2023-09-15T12:10:03Z) - Causal Document-Grounded Dialogue Pre-training [81.16429056652483]
百万レベルのDocGD事前学習コーパスを構築するための因果完全データセット構築戦略を提案する。
3つのベンチマークデータセットの実験により、我々の因果前トレーニングは、完全な教師付き、低リソース、少数ショット、ゼロショット設定の下で、かなり、一貫した改善を達成できることが示された。
論文 参考訳（メタデータ） (2023-05-18T12:39:25Z) - Explanation Selection Using Unlabeled Data for Chain-of-Thought
Prompting [80.9896041501715]
非専門家によって書かれたオフ・ザ・シェルフの説明のように、タスクのために"チューニング"されていない説明は、中途半端なパフォーマンスをもたらす可能性がある。
本稿では,ブラックボックス方式で説明拡散プロンプトを最適化する方法の課題に対処する。
論文 参考訳（メタデータ） (2023-02-09T18:02:34Z) - MURMUR: Modular Multi-Step Reasoning for Semi-Structured Data-to-Text
Generation [102.20036684996248]
多段階推論を用いた半構造化データからテキストを生成するための,ニューロシンボリックなモジュラーアプローチであるMURMURを提案する。
WebNLG や LogicNLG のような2つのデータ・テキスト生成タスクについて実験を行った。
論文 参考訳（メタデータ） (2022-12-16T17:36:23Z) - Arguments to Key Points Mapping with Prompt-based Learning [0.0]
本稿では,パラメータ対キーポイントマッピングタスクに対する2つのアプローチを提案する。
最初のアプローチは、事前訓練された言語モデルを微調整するためのプロンプトエンジニアリングを統合することである。
第二のアプローチは、PLMにおけるプロンプトベースの学習を利用して中間テキストを生成する。
論文 参考訳（メタデータ） (2022-11-28T01:48:29Z) - GRASP: Guiding model with RelAtional Semantics using Prompt [3.1275060062551208]
本稿では Prompt (GRASP) を用いたRelAtional Semantics を用いた誘導モデルを提案する。
我々は、プロンプトベースの微調整アプローチを採用し、引数を意識したプロンプトマーカー戦略を用いて、ある対話における関係意味的手がかりをキャプチャする。
実験では、DialogREデータセット上でのF1とF1cのスコアの観点から、GRASPの最先端のパフォーマンスが評価された。
論文 参考訳（メタデータ） (2022-08-26T08:19:28Z) - Local Explanation of Dialogue Response Generation [77.68077106724522]
反応生成の局所的説明(LERG)は、生成モデルの推論過程に関する洞察を得るために提案される。
LERGは、シーケンス予測を人間の応答の不確実性推定とみなし、入力を摂動させ、人間の応答に対する確実性の変化を計算することによって説明を作成する。
提案手法は, 提案手法を改良し, 提案手法の4.4～12.8%を改良した。
論文 参考訳（メタデータ） (2021-06-11T17:58:36Z) - Semi-Supervised Variational Reasoning for Medical Dialogue Generation [70.838542865384]
医療対話生成には,患者の状態と医師の行動の2つの重要な特徴がある。
医療対話生成のためのエンドツーエンドの変分推論手法を提案する。
行動分類器と2つの推論検出器から構成される医師政策ネットワークは、拡張推論能力のために提案される。
論文 参考訳（メタデータ） (2021-05-13T04:14:35Z) - Diversifying Task-oriented Dialogue Response Generation with Prototype
Guided Paraphrasing [52.71007876803418]
タスク指向対話システム(TDS)における既存の対話応答生成(DRG)方法は、テンプレートベースとコーパスベースという2つのカテゴリに分類される。
我々はP2-Netと呼ばれるプロトタイプベースのパラフレーズニューラルネットワークを提案し、精度と多様性の両面で応答の質を高めることを目的としている。
論文 参考訳（メタデータ） (2020-08-07T22:25:36Z)
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。