AAAIAug, 2018

读懂 + 验证：带有无法回答问题的机器阅读理解

PDF
TL;DR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。
machine reading comprehensionunanswerable questionsneural readeranswer verifiersquad 2.0 dataset
发现论文，激发创造
  • 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

  • 为机器阅读理解学习提问无法回答的问题

    本论文提出了一种用于机器阅读理解的数据增广技术，通过自动生成相关无法回答的问题并将其与包含答案的段落相配对，提出了一个序列模型，该模型有效地捕捉了问题和段落之间的交互。实验结果表明，该模型相对于序列到序列基线模型表现更好，同时将自动生成的无法回答的问题作为数据增广的一种方法，可以大幅提高 SQuAD 2.0 数据集上的 F1 值。

    Jun, 2019

  • 机器阅读理解的回顾式阅读器

    本文旨在探索更好的验证模块设计以解决包含难以回答的问题的机器阅读理解任务。我们提出了一个后验阅读器（Retro-Reader），通过将两个阅读和验证策略整合到一起进行机器阅读和理解，旨在模仿人类解决阅读理解问题的过程，并在两个基准 MRC 数据集 SQuAD2.0 和 NewsQA 上取得了最新的最优结果。经过显著性测试，我们的模型明显优于强大的 ELECTRA 和 ALBERT 基线，同时还进行了一系列分析来解释所提出的阅读器的有效性。

    Jan, 2020

  • 如何提升机器阅读理解模型：基于跨度对比学习的应用

    本文提出了一种基于对比学习的跨度方法（spanCL），该方法能够显式地将可回答的问题与其答案跨度级别上的可回答和不可回答的对应项进行对比，并迫使 MRC 模型察觉到多种形式的关键语义变化，实验结果表明 spanCL 在 SQuAD 2.0 数据集上比基线模型具有显著改善，使 EM 提高了 0.86-2.14 个百分点，并且 spanCL 是利用生成的问题的一种有效方法。

    Aug, 2022

  • 迈向可靠和事实准确的回答生成：检测信息请求对话中无法回答的问题

    基于 TREC CAsT 基准数据集，我们提出了一种基于生成式 AI 模型的信息检索方法，通过逐步聚合句子级别的分类预测来估计最终的可回答性，从而解决系统信任度以及问题回答精准性的挑战。

    Jan, 2024

  • 教授机器阅读和理解

    本篇论文提出了一种新方法，通过大规模监督学习从而提供阅读理解的数据集，开发了一类基于注意力机制的深度神经网络，使其能够在没有先前语言结构知识的情况下阅读真实文档并回答复杂问题。

    Jun, 2015

  • 不做也比错做好：面向文档级机器阅读理解的反思模型

    本研究旨在解决 “自然问题” 基准集所提出的机器阅读理解新挑战，通过提出名为 “Reflection Net” 的新方法，并采用两步训练过程来识别无答案和错误答案案例，该方法在长答案和短答案排行榜上，分别取得了 77.2 和 64.1 的 F1 得分，并经过大量实验证实其有效性。

    Sep, 2020

  • 知道你不知道什么：SQuAD 无法回答的问题

    SQuAD 2.0 is a dataset that combines existing SQuAD data with over 50,000 unanswerable questions to test extractive reading comprehension systems' abilities to determine when no answer is supported, resulting in a challenging natural language understanding task for existing models that previously achieved only 66% F1 on SQuAD 2.0.

    Jun, 2018

  • 信息查询问答中的挑战：无法回答的问题和段落检索

    本文分析了预训练语言模型在信息查找问题回答方面的挑战和解决方案，包括段落选择和答案预测。作者人手对多语言数据集进行了分类和标注，在此基础上提出了未来在数据集收集和模型开发方面的研究前景。

    Oct, 2020

  • 随机答案网络用于机器阅读理解

    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。

    Dec, 2017