Fugu-MT 論文翻訳(概要): Synthetic Context Generation for Question Generation

論文の概要: Synthetic Context Generation for Question Generation

arxiv url: http://arxiv.org/abs/2406.13188v1
Date: Wed, 19 Jun 2024 03:37:52 GMT
ステータス: 処理完了
システム内更新日: 2024-06-21 23:19:11.929788
Title: Synthetic Context Generation for Question Generation
Title（参考訳）: 質問生成のための合成文脈生成
Authors: Naiming Liu, Zichao Wang, Richard Baraniuk,
Abstract要約: 本稿では,大規模言語モデルによる合成文脈を用いたQGモデルの訓練について検討する。たとえ合成されたとしても、QGタスクにはコンテキストが不可欠であることがわかった。
参考スコア（独自算出の注目度）: 6.226609932118123
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Despite rapid advancements in large language models (LLMs), QG remains a challenging problem due to its complicated process, open-ended nature, and the diverse settings in which question generation occurs. A common approach to address these challenges involves fine-tuning smaller, custom models using datasets containing background context, question, and answer. However, obtaining suitable domain-specific datasets with appropriate context is often more difficult than acquiring question-answer pairs. In this paper, we investigate training QG models using synthetic contexts generated by LLMs from readily available question-answer pairs. We conduct a comprehensive study to answer critical research questions related to the performance of models trained on synthetic contexts and their potential impact on QG research and applications. Our empirical results reveal: 1) contexts are essential for QG tasks, even if they are synthetic; 2) fine-tuning smaller language models has the capability of achieving better performances as compared to prompting larger language models; and 3) synthetic context and real context could achieve comparable performances. These findings highlight the effectiveness of synthetic contexts in QG and paves the way for future advancements in the field.
Abstract（参考訳）: 大規模言語モデル(LLM)の急速な進歩にもかかわらず、QGは複雑なプロセス、オープンエンドな性質、質問生成の多様な設定のために、依然として困難な問題である。これらの課題に対処する一般的なアプローチは、バックグラウンドコンテキスト、質問、回答を含むデータセットを使用して、より小さなカスタムモデルを微調整する、というものだ。しかし、適切なコンテキストで適切なドメイン固有のデータセットを取得することは、質問と回答のペアを取得するよりも難しい場合が多い。本稿では,LLMが生成する合成文脈を用いたQGモデルの訓練について検討する。我々は、合成文脈で訓練されたモデルの性能とそのQG研究および応用への影響に関する重要な研究課題に答えるために、包括的な研究を行う。私たちの経験的結果は明らかです。 1) 文脈は、たとえ合成されたとしても、QGタスクに必須である。 2) 微調整された小さな言語モデルには,より大きな言語モデルよりも優れたパフォーマンスを実現する能力がある。 3) 合成コンテキストと実コンテキストは同等のパフォーマンスを達成することができた。これらの知見は、QGにおける合成文脈の有効性を浮き彫りにし、今後の分野の発展への道を開くものである。

関連論文リスト

Understanding Synthetic Context Extension via Retrieval Heads [51.8869530817334]
本稿では,検索と推論を必要とする3つの長文タスクに対する合成データの微調整について検討する。合成データに基づいてトレーニングされたモデルは、実際のデータには及ばないが、驚くべきことに、ミスマッチを解釈できる。我々の結果は、合成データの微調整性能の解釈方法と、長期にわたる実世界の能力学習のためのより良いデータ作成方法に光を当てた。
論文参考訳（メタデータ） (2024-10-29T17:55:00Z)
Context Matters: An Empirical Study of the Impact of Contextual Information in Temporal Question Answering Systems [7.393290178125003]
本稿では,様々な文脈で学習した時間的質問応答システムのロバスト性について実験的に検討する。これらのコンテキストを混合したトレーニングにより、モデルの堅牢性と精度が向上することを示す。我々は、コンテキストリッチなTQAデータセットであるContextAQAとContextTQEを導入し、堅牢なTQAモデルをトレーニングするための包括的な評価とガイドラインを提供する。
論文参考訳（メタデータ） (2024-06-27T21:31:30Z)
Syn-QA2: Evaluating False Assumptions in Long-tail Questions with Synthetic QA Datasets [7.52684798377727]
合成された質問応答(QA)データセットの集合であるSyn-(QA)$2$を紹介する。先行研究の結果を反映して,QAにおける誤った仮定は困難であることが判明した。検出タスクは、自然発生の質問よりも長い尾の質問の方が難しい。
論文参考訳（メタデータ） (2024-03-18T18:01:26Z)
Qsnail: A Questionnaire Dataset for Sequential Question Generation [76.616068047362]
質問紙作成作業に特化して構築された最初のデータセットについて述べる。我々はQsnailの実験を行い、その結果、検索モデルと従来の生成モデルが与えられた研究トピックや意図と完全に一致していないことが明らかとなった。チェーン・オブ・シークレット・プロンプトと微調整による改善にもかかわらず、言語モデルによるアンケートは、人間の手書きのアンケートには及ばない。
論文参考訳（メタデータ） (2024-02-22T04:14:10Z)
Enhancing Textbook Question Answering Task with Large Language Models and Retrieval Augmented Generation [3.948068081583197]
本稿では,テキスト質問応答(TQA)における領域外シナリオを扱う手法を提案する。 LLMモデルLlama-2の微調整とRAGの導入により、我々のアーキテクチャはベースラインよりも優れ、検証セットでは4.12%、非ダイアグラム多重選択質問では9.84%の精度向上を実現している。
論文参考訳（メタデータ） (2024-02-05T11:58:56Z)
Context Matters: Pushing the Boundaries of Open-Ended Answer Generation with Graph-Structured Knowledge Context [4.1229332722825]
本稿では,知識グラフに基づく拡張と合わせて,グラフ駆動型コンテキスト検索を組み合わせた新しいフレームワークを提案する。我々は,様々なパラメータサイズを持つ大規模言語モデル(LLM)の実験を行い,知識の基盤化能力を評価し,オープンな質問に対する回答の事実的正確性を決定する。われわれの方法であるGraphContextGenは、テキストベースの検索システムよりも一貫して優れており、その堅牢性と多くのユースケースへの適応性を実証している。
論文参考訳（メタデータ） (2024-01-23T11:25:34Z)
Learning to Filter Context for Retrieval-Augmented Generation [75.18946584853316]
生成モデルは、部分的にまたは完全に無関係な経路が与えられた出力を生成するために要求される。 FILCOは、語彙と情報理論のアプローチに基づいて有用なコンテキストを特定する。テスト時に検索したコンテキストをフィルタリングできるコンテキストフィルタリングモデルをトレーニングする。
論文参考訳（メタデータ） (2023-11-14T18:41:54Z)
Evaluating the Capabilities of Multi-modal Reasoning Models with Synthetic Task Data [0.0]
我々は高解像度テキスト・画像生成の進歩を活用し、マルチモーダル推論タスクの評価データを生成するフレームワークを開発する。このフレームワークを用いて、コンテキスト依存の異常データを生成し、困難なタスクに合成データセットを作成する。我々は,タスクが抽出可能である一方で,標準的なVQAタスクよりもコンテキスト依存型異常検出タスクでは,モデルが大幅に悪化することを示した。
論文参考訳（メタデータ） (2023-06-01T20:56:34Z)
QA-GNN: Reasoning with Language Models and Knowledge Graphs for Question Answering [122.84513233992422]
学習済み言語モデル(LM)と知識グラフ(KG)の知識を用いて質問に答える問題に対処する新しいモデルであるQA-GNNを提案する。既存のLMとLM+KGモデルに対する改善と、解釈可能で構造化された推論を行う能力を示しています。
論文参考訳（メタデータ） (2021-04-13T17:32:51Z)
COSMO: Conditional SEQ2SEQ-based Mixture Model for Zero-Shot Commonsense Question Answering [50.65816570279115]
社会的文脈の暗黙的な原因と影響の特定は、機械が常識的推論を実行できるようにする駆動能力である。この領域における現在のアプローチには、目に見えない状況に直面して常識推論を行う能力がない。本稿では,動的かつ多様なコンテンツ生成機能を備えた条件付きSEQ2SEQベースの混合モデル(COSMO)を提案する。
論文参考訳（メタデータ） (2020-11-02T07:08:19Z)
Understanding Unnatural Questions Improves Reasoning over Text [54.235828149899625]
生テキストに対する複雑な質問応答(CQA)は難しい課題である。効果的なCQAモデルを学ぶには、大量の人間が注釈付けしたデータが必要である。我々は、自然の人間生成の質問を非自然の機械生成の質問に投影することで、高品質なプログラマ(パーザ)を学ぶという課題に対処する。
論文参考訳（メタデータ） (2020-10-19T10:22:16Z)

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。