Fugu-MT 論文翻訳(概要): DynRank: Improving Passage Retrieval with Dynamic Zero-Shot Prompting Based on Question Classification

論文の概要: DynRank: Improving Passage Retrieval with Dynamic Zero-Shot Prompting Based on Question Classification

arxiv url: http://arxiv.org/abs/2412.00600v1
Date: Sat, 30 Nov 2024 22:22:26 GMT
ステータス: 翻訳完了
システム内更新日: 2024-12-04 15:47:06.684742
Title: DynRank: Improving Passage Retrieval with Dynamic Zero-Shot Prompting Based on Question Classification
Title（参考訳）: DynRank: 質問分類に基づく動的ゼロショットプロンプトによるパス検索の改善
Authors: Abdelrahman Abdallah, Jamshid Mozafari, Bhawna Piryani, Mohammed M. Abdelgwad, Adam Jatowt,
Abstract要約: 我々は,オープンドメイン問合せシステムにおける経路検索を向上する新しいフレームワークであるDynRankを提案する。 DynRankは動的プロンプト機構を導入し、質問をきめ細かな型に分類する事前訓練された質問分類モデルを活用する。
参考スコア（独自算出の注目度）: 15.31883349259767
License:
Abstract: This paper presents DynRank, a novel framework for enhancing passage retrieval in open-domain question-answering systems through dynamic zero-shot question classification. Traditional approaches rely on static prompts and pre-defined templates, which may limit model adaptability across different questions and contexts. In contrast, DynRank introduces a dynamic prompting mechanism, leveraging a pre-trained question classification model that categorizes questions into fine-grained types. Based on these classifications, contextually relevant prompts are generated, enabling more effective passage retrieval. We integrate DynRank into existing retrieval frameworks and conduct extensive experiments on multiple QA benchmark datasets.
Abstract（参考訳）: 本稿では,動的ゼロショット問合せ分類によるオープンドメイン問合せシステムにおける通訳検索を向上する新しいフレームワークであるDynRankを提案する。従来のアプローチは静的プロンプトと事前定義されたテンプレートに依存しており、異なる質問やコンテキストにわたるモデルの適応性を制限する可能性がある。対照的に、DynRankは動的プロンプト機構を導入し、質問をきめ細かな型に分類する事前訓練された質問分類モデルを活用している。これらの分類に基づき、文脈的に関連するプロンプトが生成され、より効果的な通過検索が可能となる。我々はDynRankを既存の検索フレームワークに統合し、複数のQAベンチマークデータセットで広範な実験を行う。

関連論文リスト

Resilience to the Flowing Unknown: an Open Set Recognition Framework for Data Streams [6.7236795813629]
本研究では、分類とクラスタリングを組み合わせて、ストリーミングシナリオにおけるテキストオーバ占有空間問題に対処するオープンセット認識フレームワークの適用について検討する。
論文参考訳（メタデータ） (2024-10-31T11:06:54Z)
Quam: Adaptive Retrieval through Query Affinity Modelling [15.3583908068962]
ユーザ情報要求に基づいて文書をランク付けする関連モデルを構築することは,情報検索とNLPコミュニティの中心的な課題である。提案するQuamにより,適応検索の初期段階の統一的な視点を提案する。提案手法であるQuamは,リコール性能を26%向上させる。
論文参考訳（メタデータ） (2024-10-26T22:52:12Z)
SciPrompt: Knowledge-augmented Prompting for Fine-grained Categorization of Scientific Topics [2.3742710594744105]
SciPromptは,低リソーステキスト分類タスクに対して,科学的トピック関連用語を自動的に検索するフレームワークである。本手法は, ほとんど, ゼロショット設定下での科学的テキスト分類作業において, 最先端, 即時的な微調整法より優れる。
論文参考訳（メタデータ） (2024-10-02T18:45:04Z)
Recent Advances in Multi-Choice Machine Reading Comprehension: A Survey on Methods and Datasets [19.021200954913482]
この分析は、30の既存のクローゼスタイルとマルチチョイスMCCベンチマークデータセットに展開されている。本稿では,最近の手法を細調整法とプロンプト調整法に分類する。
論文参考訳（メタデータ） (2024-08-04T18:57:21Z)
Stable Attractors for Neural networks classification via Ordinary Differential Equations (SA-nODE) [0.9786690381850358]
プリオリは、予め割り当てられた固定安定なアトラクタのセットに対応するように構成されている。分類を行う固有の能力は、ターゲットの安定なアトラクションのそれぞれに関連するアトラクションの形状の盆地に反映される。この手法は最先端のディープラーニングアルゴリズムの性能には達しないが、解析的相互作用項を閉じた連続力学系が高性能な分類器として機能することを示す。
論文参考訳（メタデータ） (2023-11-17T08:30:41Z)
PatchMix Augmentation to Identify Causal Features in Few-shot Learning [55.64873998196191]
少ないショット学習は、十分なカテゴリをラベル付けしたデータに基づいて学習した知識を、少ない既知の情報を持つ新しいカテゴリに転送することを目的としている。我々はPatchMixと呼ばれる新しいデータ拡張戦略を提案し、この急激な依存関係を壊すことができる。このような拡張メカニズムが,既存のメカニズムと異なり,因果的特徴を識別可能であることを示す。
論文参考訳（メタデータ） (2022-11-29T08:41:29Z)
Class-incremental Novel Class Discovery [76.35226130521758]
クラス増進型新規クラス発見(class-iNCD)の課題について検討する。基本クラスに関する過去の情報を忘れないようにする,クラスiNCDのための新しい手法を提案する。 3つの共通ベンチマークで実施した実験により,本手法が最先端の手法を著しく上回ることを示した。
論文参考訳（メタデータ） (2022-07-18T13:49:27Z)
Revisiting Deep Local Descriptor for Improved Few-Shot Classification [56.74552164206737]
textbfDense textbfClassification と textbfAttentive textbfPooling を利用して埋め込みの質を向上させる方法を示す。広範に使われているグローバル平均プール (GAP) の代わりに, 注意深いプールを施し, 特徴マップをプールすることを提案する。
論文参考訳（メタデータ） (2021-03-30T00:48:28Z)
Tradeoffs in Sentence Selection Techniques for Open-Domain Question Answering [54.541952928070344]
文選択のためのモデルの2つのグループについて述べる。QAベースのアプローチは、解答候補を特定するための完全なQAシステムを実行し、検索ベースのモデルは、各質問に特に関連する各節の一部を見つける。非常に軽量なQAモデルは、このタスクではうまく機能するが、検索ベースモデルは高速である。
論文参考訳（メタデータ） (2020-09-18T23:39:15Z)
Document Ranking with a Pretrained Sequence-to-Sequence Model [56.44269917346376]
関連ラベルを「ターゲット語」として生成するためにシーケンス・ツー・シーケンス・モデルをどのように訓練するかを示す。提案手法は,データポーラ方式におけるエンコーダのみのモデルよりも大幅に優れている。
論文参考訳（メタデータ） (2020-03-14T22:29:50Z)
FLAT: Few-Shot Learning via Autoencoding Transformation Regularizers [67.46036826589467]
本稿では,データ例のラベルを使わずに,変換の分布によって引き起こされる特徴表現の変化を学習することで,新たな正規化機構を提案する。エンコードされた特徴レベルで変換強化されたバリエーションを検査することで、ベースカテゴリへのオーバーフィットのリスクを最小限に抑えることができる。実験結果から,文学における現在の最先端手法よりも優れた性能を示した。
論文参考訳（メタデータ） (2019-12-29T15:26:28Z)

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。