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

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 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

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

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

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

本研究提出了一种基于规则的开放域问答系统，可以回答来自相关上下文的任何领域的问题，使用 1000 个问题的 SQuAD 2.0 数据集测试开发的系统表现满意，同时分析了性能。

Mar, 2022

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

本研究介绍了 Stanford Question Answering Dataset (SQuAD)，一种包含超过 100,000 个问题的阅读理解数据集，旨在研究回答这些问题所需要的类型推理方式，研究使用依赖和组成树建立了强大的逻辑回归模型，并在数据集上获得了 51.0% 的 F1 分数。

Jun, 2016

本文研究了使用 SQuAD 2.0 中不可回答的问题对预先训练的语言模型进行微调，以提高其对抗攻击的鲁棒性。结果表明，在 SQuAD 2.0 上进行微调可以显著提高模型的鲁棒性，并且 SQuAD 2.0 还会影响模型学习到的内容。

Jan, 2023