利用对抗训练的神经网络实现跨语言问答系统的高级特征学习和语言不变性，在跨语言问答中进行问题相似性重新排序，有效提高了跨语言问答系统性能。

Jun, 2017

本文提出一种采用对抗训练框架来解决深度学习中新领域适应问题的方法，将传统 QA 模型和判别器组合，以对抗的方式进行训练，从而实现 QA 模型学习到领域不变特征，并在 MRQA Shared Task 2019 中取得了优于基线模型的性能。

Oct, 2019

本文介绍了 SemEval-2015 Task 3 的组织和结果，以分类好、坏或潜在相关的答案，并回答 List of all answers 的 Yes / No 问题。我们使用 Mechanical Turk 对英语进行了广泛的数据标记，并已向研究社区发布。最好的系统在官方评分上看得分达到了 57.19 和 63.7（英语子任务 A 和 B），以及阿拉伯语子任务 A 的 78.55。

Nov, 2019

该研究利用新颖的联合学习模型解决 CQA 中答案冗余和长度问题，设计了一个以问题为导向的指针生成网络，同时利用答案给长回答降噪，构建了一个包含长回答和参考摘要的大规模 CQA 语料库 WikiHowQA，实验证明该方法可以有效地解决 CQA 中的冗余问题，并取得了在答案选择和文本摘要任务上的最新成果。

Nov, 2019

本研究提出一种区别于以往只使用文章或维基百科等信息来源的社区问答方法，利用多种异构信息源（MIS）的相关信息进行答案生成，并在 $ ext {MSM}^{ext {plus}}$ 和 AntQA 等数据集上进行的反复实验表明本方法在各项指标上高于基线模型。

Dec, 2021

本文提出了使用预训练模型的 Question-Answer 交叉注意网络（QAN）进行回答选择，并利用大型语言模型（LLM）来进行具有知识增强的回答选择。实验证明，QAN 模型在 SemEval2015 和 SemEval2017 数据集上实现了最新的性能。同时，LLM 利用外部知识进行问题和正确答案的知识增强，并通过不同方面对 LLM 的提示进行优化，结果表明外部知识的引入可以提高 LLM 在 SemEval2015 和 SemEval2017 数据集上的正确答案选择率，同时通过优化提示，LLM 也能在更多问题上选择正确的答案。

Nov, 2023

本文提出了一个可针对任何问答模型直接应用的模型无关方法来解决识别对抗性例子的问题，该方法采用明确的答案候选人重新排名机制，通过内容重叠度评分候选答案，并配合强基础 QA 模型使用，其性能优于现有防御技术。

Feb, 2021

本研究提出了两种方法：自动生成重复问题和使用问题标题和正文进行弱监督，研究表明这两种方法可以有效地训练社区问答中的问题检测模型，尤其是可以利用来自 cQA 论坛的大量未标记数据。同时，我们还发现使用标题和正文信息进行弱监督的方法是训练 cQA 答案选择模型的有效方法。

Nov, 2019

该论文介绍了一种采用对抗性方法的问题生成系统，旨在解决问题生成中的扩展性和安全性问题，并提出了一种问题 - 回答系统来剪枝不可回答的问题并提高答案质量，实现了高效、安全、准确、生产就绪的问答系统。

Oct, 2022

使用仅源侧数据进行微调的训练方法在机器翻译中取得了巨大的进展，通过结合 BERTScore 和 Masked Language Model 评分的损失函数，我们的模型在 BLEU 得分上达到了 1.9 的改进，并在 TER 和 BLEURT 度量上取得了显着的改进。

Oct, 2023