論文の概要: Persona-SQ: A Personalized Suggested Question Generation Framework For Real-world Documents

• arxiv url: http://arxiv.org/abs/2412.12445v2
• Date: Wed, 18 Dec 2024 15:28:43 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-12-19 13:25:12.167938
• Title: Persona-SQ: A Personalized Suggested Question Generation Framework For Real-world Documents
• Title（参考訳）: Persona-SQ: 実世界のドキュメントのためのパーソナライズされた質問生成フレームワーク
• Authors: Zihao Lin, Zichao Wang, Yuanting Pan, Varun Manjunatha, Ryan Rossi, Angela Lau, Lifu Huang, Tong Sun,
• Abstract要約: SQ(Suggested Question)は、AIを利用した読み出しアプリケーションにおいて、ユーザがドキュメントをエンゲージするための効果的な初期インターフェースを提供する。 我々は、読者プロファイル(プロフェッショナルと読書目標)を取り入れたパーソナライズされたSQを生成するパイプラインを導入する。 当社のアプローチは,現在のSQシステムにおいて,その性能を即時向上するための代替手段として機能するだけでなく,ローカルで動作し,高速かつプライベートなSQエクスペリエンスを提供するデバイス上でのSQモデルの開発にも有効である。
• 参考スコア（独自算出の注目度）: 25.535805332623546
• License:
• Abstract: Suggested questions (SQs) provide an effective initial interface for users to engage with their documents in AI-powered reading applications. In practical reading sessions, users have diverse backgrounds and reading goals, yet current SQ features typically ignore such user information, resulting in homogeneous or ineffective questions. We introduce a pipeline that generates personalized SQs by incorporating reader profiles (professions and reading goals) and demonstrate its utility in two ways: 1) as an improved SQ generation pipeline that produces higher quality and more diverse questions compared to current baselines, and 2) as a data generator to fine-tune extremely small models that perform competitively with much larger models on SQ generation. Our approach can not only serve as a drop-in replacement in current SQ systems to immediately improve their performance but also help develop on-device SQ models that can run locally to deliver fast and private SQ experience.
• Abstract（参考訳）: SQ(Suggested Question)は、AIを利用した読み出しアプリケーションにおいて、ユーザがドキュメントをエンゲージするための効果的な初期インターフェースを提供する。 実践的な読書セッションでは、ユーザは様々なバックグラウンドと読書目標を持つが、現在のSQ機能は一般的にそのようなユーザ情報を無視し、均質な質問や非効率な質問をもたらす。 我々は、読者プロファイル(職業と読書目標)を取り入れたパーソナライズされたSQを生成するパイプラインを導入し、その実用性を2つの方法で示す。 1) 改良されたSQ生成パイプラインとして,現行のベースラインに比べて高品質で多様な質問を生成する。 2)データジェネレータとして、より大規模なSQ生成モデルと競合する非常に小さなモデルを微調整する。 当社のアプローチは,現在のSQシステムにおいて,その性能を即時向上するための代替手段として機能するだけでなく,ローカルで動作し,高速かつプライベートなSQエクスペリエンスを提供するデバイス上でのSQモデルの開発にも有効である。

関連論文リスト

• PromptIQA: Boosting the Performance and Generalization for No-Reference Image Quality Assessment via Prompts [41.61917426675815]
  本稿では,PmptベースのIQA(PromptIQA)を提案する。 PromptIQAは、さまざまな要件を学習するために、2つの提案されたデータ拡張戦略を備えた混合データセットでトレーニングされている。 実験により、PromptIQAはSOTA法よりも高い性能とより優れた一般化を実現していることが示された。
  論文  参考訳（メタデータ） (2024-03-08T02:10:25Z)
• QASnowball: An Iterative Bootstrapping Framework for High-Quality Question-Answering Data Generation [67.27999343730224]
  QAデータ拡張のための反復型ブートストラップフレームワーク(QASnowball)を導入する。 QASnowballは、教師付きサンプルのシードセットに基づいて、大規模で高品質なQAデータを反復的に生成することができる。 本研究では, 高資源の英語シナリオと中資源の中国語シナリオで実験を行い, 実験結果から, QASnowball が生成したデータによりQAモデルを容易に作成できることが示唆された。
  論文  参考訳（メタデータ） (2023-09-19T05:20:36Z)
• Adaptive Data-Free Quantization [44.00726062583708]
  データフリー量子化(DFQ)は、元のデータなしで量子化されたネットワーク(Q)の性能を回復する。 DFQは、全精度ネットワークから学習して、ジェネレータ(G)を介して偽サンプルを生成する(P)。 ゼロサムゲームの観点からDFQを再検討するAdaptive Data-Free Quantization (AdaDFQ)法を提案する。
  論文  参考訳（メタデータ） (2023-03-13T05:37:40Z)
• Toward Unsupervised Realistic Visual Question Answering [70.67698100148414]
  現実的なVQA(RVQA)の問題について検討し、モデルが答えられない質問(UQ)を拒絶し、答えられる質問(AQ)に答えなければならない。 1)データセットには不整合UQが多すぎること,(2)多数の注釈付きUQがトレーニングに必要とされること,の2つの欠点を最初に指摘した。 我々は、既存のVQAデータセットのAQと約29万の人間の注釈付きUQを組み合わせた新しいテストデータセットRGQAを提案する。 これは、画像と質問をランダムにペアリングして得られる擬似UQと、それを結合する。
  論文  参考訳（メタデータ） (2023-03-09T06:58:29Z)
• NaQ: Leveraging Narrations as Queries to Supervise Episodic Memory [92.98552727430483]
  Narrations-as-Queries (NaQ)は、標準的なビデオテキストナレーションをビデオクエリのローカライゼーションモデルのためのトレーニングデータに変換するデータ拡張戦略である。 NaQが複数のトップモデルを大幅に改善(精度を2倍に) また、ゼロショットおよび少数ショットNLQの実行能力や、ロングテールオブジェクトカテゴリに関するクエリのパフォーマンス向上など、このアプローチのユニークな特性も示す。
  論文  参考訳（メタデータ） (2023-01-02T16:40:15Z)
• Improved and Efficient Conversational Slot Labeling through Question Answering [48.670822631047635]
  Transformer-based Pretrained Language Model (PLM) は、自然言語理解(NLU)タスクの大部分に適合しないパフォーマンスを提供する。 本稿では,対話のためのNLUの重要なコンポーネントであるテキストスロットラベリング(SL)のモデリングと研究に焦点をあてる。 本稿では,QA調整型PLMをSLタスクに適用し,新しい最先端性能を実現する方法を示す。
  論文  参考訳（メタデータ） (2022-04-05T11:34:35Z)
• DUAL: Textless Spoken Question Answering with Speech Discrete Unit Adaptive Learning [66.71308154398176]
  SQA (Spken Question Answering) は近年注目され, 目覚ましい進歩を遂げている。 既存のSQA手法は、収集に時間と費用がかかる自動音声認識(ASR)の転写に依存している。 本研究は,未ラベルのデータを事前学習に活用し,SQAダウンストリームタスクによって微調整される離散単位適応学習(DUAL)という,ASR transcript-free SQAフレームワークを提案する。
  論文  参考訳（メタデータ） (2022-03-09T17:46:22Z)
• ISEEQ: Information Seeking Question Generation using Dynamic Meta-Information Retrieval and Knowledge Graphs [42.98709486732392]
  本稿では,エンドユーザからの短い初期質問に基づいて,ISQ(Information Seeking Questions)を生成する新しい手法を提案する。 ISEEQは知識グラフを使用してユーザクエリを強化し、関連するコンテキストパスを取得する。 CISエージェントの開発を促進するために,ISEEQは高品質なISQを生成することができることを示す。
  論文  参考訳（メタデータ） (2021-12-13T04:02:13Z)
• Summary-Oriented Question Generation for Informational Queries [23.72999724312676]
  主文書のトピックに焦点をあてた自己説明的質問を,適切な長さのパスで答えられるようにすることを目的としている。 本モデルでは,NQデータセット(20.1BLEU-4)上でのSQ生成のSOTA性能を示す。 我々はさらに,本モデルをドメイン外のニュース記事に適用し,ゴールド質問の欠如によるQAシステムによる評価を行い,私たちのモデルがニュース記事に対してより良いSQを生成することを実証し,人間による評価によるさらなる確認を行う。
  論文  参考訳（メタデータ） (2020-10-19T17:30:08Z)
• Generating Diverse and Consistent QA pairs from Contexts with Information-Maximizing Hierarchical Conditional VAEs [62.71505254770827]
  非構造化テキストを文脈として与えられたQAペアを生成するための条件付き変分オートエンコーダ(HCVAE)を提案する。 我々のモデルは、トレーニングにわずかなデータしか使わず、両方のタスクの全てのベースラインに対して印象的なパフォーマンス向上が得られる。
  論文  参考訳（メタデータ） (2020-05-28T08:26:06Z)
• Simplifying Paragraph-level Question Generation via Transformer Language Models [0.0]
  質問生成(QG)は、ある入力テキストに対応する質問をモデルに訓練する自然言語生成タスクである。 1つのTransformerベースの一方向言語モデルで、トランスファーラーニングを利用して高品質な質問を生成することができる。 我々のQGモデルは、GPT-2 Smallから微調整され、SQuADデータセット上のいくつかの段落レベルのQGベースラインを0.95 METEORポイントで上回る。
  論文  参考訳（メタデータ） (2020-05-03T14:57:24Z)

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。