ACLJan, 2021

哪位语言学家发明了电灯泡？用前提验证回答问题

PDF
TL;DR我们提出了一个改进的问题回答系统，可以有效处理自然问答数据集中的无法回答的问题，通过提出先决条件和验证其可验证性，并生成解释。
question-answeringnatural questions datasetpresuppositionunanswerable questionsverifiability
发现论文，激发创造
  • 一个生成无法回答问题的轻量级方法

    一种用于问题回答的数据增强方法，通过对可回答问题进行反义词和实体交换生成不可回答的问题，相比于现有的自动化方法，该方法具有更好的模型性能和更高的人类判断相关性和可读性，并被验证为未来工作的简单但强大的基准。

    Oct, 2023

  • 回答带有虚假前提的问题

    本文发现预训练语言模型内部已经拥有反驳谣言的所需知识，只需要激发其反驳能力，通过 fine-tuning 可以在少量示例（例如 256 个）的情况下区分虚假前提问题，并生成合理的反驳解释。

    Jul, 2023

  • 自然语言推理模型能否验证问答系统的预测？

    本文探讨如何利用自然语言推理来验证问答系统提供的答案是否正确，并通过使用大型预训练模型和最新的数据集来构建 QA 实例的前提 - 假设配对，进而将 QA 和 NLI 数据集结合以训练 NLI 模型，以此提高 QA 模型的准确性和置信度。

    Apr, 2021

  • 通过问答实现的基于 5W 方面的事实验证

    本文提出了一个基于 5W 问答的可解释性事实验证框架，使用语义角色标记系统定位 5W 并生成 QA 对，我们获得了一个半自动生成的 FACTIFY-5WQA 数据集，并提出了一个基线 QA 系统自动定位从证据文件中的答案。最后，我们提出了一个强大的事实验证系统，可以对改写的声明进行自动验证。

    May, 2023

  • 利用矛盾来改进问答系统

    使用自然语言推理技术和矛盾验证策略来提高问题回答系统的准确性和可靠性在生物医学领域具有重要意义。研究表明使用矛盾验证模型可以在问答选择任务方面取得良好的表现，并且对于解释模型智能性和提高系统可靠性具有潜在意义。

    Sep, 2022

  • IfQA: 面向反事实前提的开放领域问答数据集

    本文介绍了第一个 counterfactual open-domain question-answering（QA）数据集（IfQA），并通过在该数据集上进行实证分析证明了如果就文本假设进行推理和检索是一项具有挑战性的任务。

    May, 2023

  • 无法回答的视觉问答

    本研究旨在构建一个值得信赖的 AI 系统，通过为 Visual Question Answering（VQA）模型教授弃权无法回答问题的能力。研究通过提供一个名为 UNK-VQA 的全面数据集来填补这一研究空白，该数据集特别设计用于解决无法回答的问题。同时，通过对图像或问题进行有意的扰动，充分评估了多模式大型模型的零或少样本性能，并提出了解决这些无法回答问题的简单方法。这一数据集将为提升 VQA 模型的弃权能力提供一个有价值的基准，从而增加 AI 系统的可信度。

    Oct, 2023

  • (QA)$^2$: 带问题假设的问答系统

    本文提出了（QA）$^2$（包含有问题上有问题的问题的问题回答）的开放域评估数据集，用于测试有问题上有问题的问题的回答系统。该论文研究问题上有问题的问题，旨在解决现有的 QA 系统不能正确回答该类问题的问题。

    Dec, 2022

  • 检测知识库问题的可回答性：我的知识是否足够？

    探讨知识库问答系统中基于知识库的不完整性所导致的问题，并提出了 GrailQAbility 数据集。测试两种最先进的知识库问答模型，发现两种模型无法准确检测和回答无法回答的问题，因此需要进一步研究使知识库问答系统能够克服这个问题。

    Dec, 2022

  • Entailer: 用真实和忠实的推理链回答问题

    本研究旨在设计一个问题回答系统，通过系统的推理链条，向外呈现模型回答问题的内部思路过程，并通过回答问题的命题来验证模型是否真正信奉这些命题。本文所提出的系统能够产生多步，忠实和真实的推理链条，能够使人更好地理解模型的判断和思维方式，为纠正和修正模型误解提供新思路。

    Oct, 2022