ACLDec, 2017

随机答案网络用于机器阅读理解

PDF
TL;DR提出了一种简单而健壮的随机答案网络（SAN），通过在神经网络的最后一层中使用一种随机预测辍学的方式，模拟机器阅读理解中的多步推理，以此提高鲁棒性并在 Stanford 问题回答数据集（SQuAD）、对抗性 SQuAD 和 Microsoft 机器阅读理解数据集（MS MARCO）上获得了具有竞争力的结果。
stochastic answer networkmachine reading comprehensionmulti-step reasoningneural networkdropout
发现论文，激发创造
  • 自然语言推理的随机回答网络

    本文提出了一种随机答案网络（SAN）来研究自然语言推理中的多步推理策略，并通过实验表明 SAN 在三个基准测试中均取得了最先进的结果，包括斯坦福自然语言推理（SNLI）数据集，多样化自然语言推理（MultiNLI）数据集和 Quora 问题对数据集。

    Apr, 2018

  • SQuAD 2.0 的随机答案网络

    该论文介绍了一种扩展的 Stochastic Answer Network 模型，添加了一个判断问题是否无法回答的二元分类器和句子定位模块，并通过实验证明其在 Stanford Question Answering Dataset (SQuAD) 2.0 数据集上具有与最先进模型相当的效果。

    Sep, 2018

  • ReasoNet：机器阅读理解任务中的停止阅读学习

    本文描述了一种名为 Reasoning Network (ReasoNet) 的神经网络架构，用于机器理解任务。ReasoNets 通过多次迭代，利用查询、文档和答案之间的关系进行推理，运用强化学习动态地决定是否继续理解过程，已在多种数据集上实现了出色的机器理解表现。

    Sep, 2016

  • S-Net：从答案抽取到答案生成的机器阅读理解模型

    本文提出了一种新的机器阅读理解方法，使用抽取 - 综合框架来解决 MS-MARCO 数据集的问题，该方法使用先进的神经网络技术来构建具有单篇阅读理解的答案抽取模型，并使用序列到序列神经网络作为答案综合模型，实现了对多篇文献的问答。实验结果表明，这种方法的性能超过了现有的最佳方法。

    Jun, 2017

  • 用于图像问答的叠加注意力网络

    本文提出了堆叠式注意力网络（SAN），通过自然语言问题分析图像，发现图像问答需要多层推理，于是我们开发了多层 SAN，通过可视化的注意力层，逐层推理以定位答案相关的视觉线索，实验证明 SAN 明显优于先前的最先进方法。

    Nov, 2015

  • MCR-Net：一种用于机器阅读理解不可回答问题的多步交互关系网络

    该研究提出了一种多步骤的共交互关系网络（MCR-Net），用于明确地建模问题和篇章之间的相互作用，从而提高问答系统的性能，该模型在 SQuAD 2.0 数据集上实现了显着的改进。

    Mar, 2021

  • 读懂 + 验证：带有无法回答问题的机器阅读理解

    提出了一种利用神经阅读器和答案验证器的阅读 - 验证系统，旨在解决在没有答案可以推断出的情况下避免回答的机器阅读理解问题，并在 SQuAD2.0 数据集上取得了良好的实验效果。

    Aug, 2018

  • 神经模块网络用于文本推理

    通过引入能够对文本段进行推理的组件、以概率性和可微分的方式执行数字和日期等符号推理的组件，提出了一种改进的神经模块网络（NMNs）模型，提高了非合成问题的预测效果，实验结果表明，该模型在 DROP 数据集上取得了显著的性能提升。

    Dec, 2019

  • 增强型记忆阅读器用于机器阅读理解

    本文介绍了加强版的记忆增强读者，它在多个方面包括提出重新注意力机制和引入动态关键强化学习方法来优化精度，实验表明在 Stanford Question Answering Dataset 上，该模型比先前系统表现更优，实现了最新的技术成果。

    May, 2017

  • U-Net: 机器阅读理解中处理无法回答问题的方法

    本文提出了一种叫做 U-Net 的统一模型，它由回答指针、无回答指针和答案验证器三个重要组件组成。与流水线模型不同，U-Net 可以全程学习，并在 SQuAD 2.0 测试集上实现了 F1 得分 71.7。

    Oct, 2018