Aug, 2019

缓解问题回答中的噪声输入

PDF
TL;DR通过在 500,000 个有噪声的句子的合成语料库中训练，并在多个语料库中进行评估，研究和减轻来自自动语音识别系统的噪声对几个问题回答任务的影响，并利用模型的置信度集成和对未知单词进行强制解码，从而提高了下游神经网络 QA 系统的准确性。
natural language processingautomatic speech recognitionquestion answeringneural qa systemscorpora
发现论文，激发创造
  • NoiseQA: 以用户为中心的问答挑战数据集评估

    本文研究 Question-Answering 系统在实际部署中的问题，发现在回答引擎之前的管道部件可能会引入多样化且可观的错误，而且即使是针对强大的预训练 QA 模型，性能也会因为这些上游噪声源而显著降低。作者认为在 QA 系统能够真正有效部署之前，还有很大的改进空间。因此，他们强调 QA 评估需要扩展到考虑实际使用情况，并希望他们的研究结果能引起更广泛的关注。

    Feb, 2021

  • 自动问答系统的比较性实验研究及其对抗词语混淆的鲁棒性

    使用自然语言处理模型进行问答生成在我们周围是非常普遍的。它在许多用例中被使用，例如构建聊天机器人，在谷歌搜索中提供提示以及作为银行移动应用程序中的信息导航方式等。我们的研究主要调查通过人类生成的数据对模型性能的影响。

    Nov, 2023

  • 口语问答中语音识别误差对文本检索的影响

    研究了语音接口与问答系统交互过程中的问题，使用数据增强技术来探究自然语音识别噪音对信息检索的影响。结果表明，自然语音识别噪音会对信息检索产生负面影响，提出使用数据增强来解决这个问题。

    Sep, 2022

  • 通过对抗域适应缓解语音识别误差对口语问答的影响

    该研究提出利用对抗模型来适应 ASR 错误，减少其对口语问答系统的影响，实验证明其效果优于之前的最佳模型。

    Apr, 2019

  • 面向端到端口语问答的数据蒸馏技术

    本研究提出了一种新的口头对话问答任务，能够使问答系统对给定的语音话语和文本语料库建模，其中使用了新的统一数据精炼方法 DDNet 直接融合音频文本特征以减少语音识别错误率，同时运用 Spoken-CoQA 数据集评估系统的对话式互动能力，并在实验中取得了优异的性能表现。

    Oct, 2020

  • 这个问题会被回答吗？通过答案模型蒸馏进行问题过滤以实现更高效的问答

    本文提出了一种新方法，通过筛选不会被回答的问题来提高问答系统的效率，这基于一个有趣的新发现：基于最先进的问答系统的答案置信度分数可以用仅使用输入问题文本的模型很好地逼近，这使得非答案置信度分数低于系统阈值的问题可以进行预先拦截。

    Sep, 2021

  • 合成和自然噪声都会破坏神经机器翻译

    本文研究了基于字符的神经机器翻译模型，并发现它们能够解决词表外的问题、学习词形变化，但是在面对嘈杂的数据时容易出现错误。作者探究了两个方法来提高模型的鲁棒性：结构不变的词表示和在噪声数据上强化训练。作者发现一个基于字符卷积神经网络的模型能够同时学习多种噪声下的鲁棒表示。

    Nov, 2017

  • 无参考域自适应：噪声问题的翻译与问题特定奖励

    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

  • 基于数据驱动的噪声自适应话语生成与语言修改的研究

    该研究通过进行语音知觉实验，提出了一种针对嘈杂环境下语音生成的优化方法，提出基于可听度的复述排序模型，相对提高了 31.37% 的性能表现，从而在 SNR-5dB 下提高了 33% 的可懂度。

    Oct, 2022

  • 评估问答系统：评判自然语言的复杂性

    本文针对问答系统的发展历程、评估指标及其相应的理论框架进行综述，并探讨了相关的评估方法和数据集。

    Sep, 2022