Jul, 2021

Red Dragon AI参加TextGraphs 2021共享任务：通过匹配专家评分进行多跳推理解释重建

HTML
PDF
TL;DR通过多跳推理、文本语言模型和排序集成技术，我们的系统在Textgraphs共享任务中获得第二名，通过专家的相关性评分，聚焦于收集相关语句，而不仅仅是找到一条“正确路径”
发现论文，激发创造
  • WorldTree: 支援多跳推理的初级科学问题说明图语料库

    本文介绍了一个构建在科学考试标准化问题上的说明语料库，通过手工构建详细的说明，我们提供了半结构化表格数据集和自由文本训练数据集，从而为自动推理提供了可信的人类可读说明。

    Feb, 2018

  • 句子级TextGraphs的多跳推理：为科学问题回答有效地结合信息有多具有挑战性？

    通过评估来自三个自由文本语料库的知识图构建的通过词汇重叠连接的句子的机会聚合质量的9,784个手动注释的判断，我们实证表征了构建或遍历图形的困难，表明语义漂移倾向于很高并且聚合质量很低，高亮最大化有意义地组合信息的情况。

    May, 2018

  • ASU 在 TextGraphs 2019 共享任务中的解释再生成：使用语言模型和迭代重新排名

    该研究介绍了亚利桑那州立大学自然语言处理组在TextGraphs 2019共享任务上的系统，该任务旨在进行解释重建，其是大型图多跳推理的中间步骤。我们将解释重建任务建模为“学习排序”问题，利用先进的语言模型并探索数据集准备技术。我们使用基于迭代二次排序的方法进一步改善排名。在测试集上，我们的系统获得了第二名，平均精度为41.3％。

    Sep, 2019

  • 2019年TextGraphs共享任务中的红龙AI：借助语言模型协助生成解释

    Red Dragon AI採用問題和解釋文本的語言直接進行解釋重建，並提出三種不同階段的方法以增加方法的複雜度並在TextGraphs-13的競賽中獲得第三名。

    Nov, 2019

  • 学习解释：多跳问答中识别有效推理链的数据集和模型

    本研究引入了三种不同类型的解释数据集，发现基于BERT分类器的方法能够显著提高解释质量，同时通过使用广义推理链，使得对某些扰动更具鲁棒性。

    Oct, 2020

  • 使用Transformer进行事实链的自回归推理

    本文提出了一种迭代推理算法来实现多跳解释再生，该算法根据自然语言问题和其答案检索相关的事实证据。该算法通过自回归地从语料库中选取事实，以学习排序损失的方式来缓解多源证据的选择问题。使用预训练的Transformer模型进行实验，结果显示该算法在精度、培训时间和推理效率方面均优于先前的最先进技术。

    Dec, 2020

  • Red Dragon AI 在 TextGraphs 2020 共享任务中的表现：LIT：用 LSTM-交错Transformer 进行多跳解释排名

    本研究提出LSTM-Interleaved Transformer作为可解释的科学问题的提问和回答任务的解决方案，该方案采用跨文档交互以提高多跳排名。我们的模型在TextGraphs 2020共享任务中排名第三。

    Dec, 2020

  • 评估多跳推理中组合解释的挑战：相关性、完整性和专家评分

    本研究旨在探讨使用多重推理所产生的解释的评估问题，并提出使用领域专家增强评级来解决。此方法不仅能更好地评估解释的质量，还可以发现之前未被评为优质解释的相关事实，并构建不同方法的模型来评估解释。但实验发现，即使是使用了专家增强的自动评估也会高估模型的性能。

    Sep, 2021

  • 最佳兩者：使用陳述性事實的多跳解釋的混合方法

    本研究提供了一种将快速的句法方法与强大的语义方法相结合的模型，以生成多跳解释，并在语言模型微调的过程中对解释链进行了重新排序，从而在可靠性和效率之间找到了平衡。

    Dec, 2021

  • 多跳问答推理图上的单序列预测

    我们提出了一种名为SeqGraph的方法，该方法通过一个本地推理图中的图形结构来集成关键实体的表示，并将结果表征与模型的实体表示进行融合，以提高HotpotQA数据集上的回答准确度和推理路径的合理性。

    Jul, 2023