我们提出了一个新的框架 QC4QA，利用自我监督的方法通过伪标签实现问题分类，最大化平均差异来减少源域和目标域之间的交叉差异，以及在同一问题类别的 QA 样本中最小化内部类别差异，该方法在多个数据集上比基准方法有了明显的改进。

Sep, 2022

研究提出了一种名为 ClinQG4QA 的框架，该框架借助问答生成来合成新的临床背景下的 QA 对，提高 QA 模型的性能，同时还引入了 seq2seq-based 问题短语预测模块来扩大生成的多样性。该方法在实验中表现出了显著的精度提升（最高达 8%），而 QPP 模块对此有着重要作用。

Oct, 2020

通过针对特定主题和写作风格生成相关数据进行预先训练，我们提出了一种以萃取式问答为目标的领域适应框架，利用 Galactica 生成与特定写作风格和主题相符的合成语料库，并在 COVID-QA 和 RadQA 两个生物医学萃取式问答数据集上取得了最新成果和整体改进。

Oct, 2023

本文提出一种采用对抗训练框架来解决深度学习中新领域适应问题的方法，将传统 QA 模型和判别器组合，以对抗的方式进行训练，从而实现 QA 模型学习到领域不变特征，并在 MRQA Shared Task 2019 中取得了优于基线模型的性能。

Oct, 2019

该研究探讨了半监督问答问题，在该问题中，利用无标签文本提高问答模型的性能，我们提出了一种新的训练框架，即生成领域自适应网络。该框架通过训练生成模型来生成基于无标签文本的问题，并将模型生成的问题与人类生成的问题相结合，用于训练问答模型。我们发展了基于强化学习的新领域适应算法，以减少模型生成数据分布与人生成数据分布之间的差异。实验结果表明，我们提出的框架可从无标签文本中获得显著的提高。

Feb, 2017

本篇论文提出了一种用于合成问答数据生成的端到端方法，该模型包括一个基于 transformer 的编码器解码器网络，能够训练生成答案和问题，并且通过微调预训练的语言模型进行训练，实验结果表明，在领域适应的 QA 模型中，该生成器显著优于当前最先进的方法。

Oct, 2020

本研究提出了一种新颖的域自适应算法，通过转换目标数据集的特征，减少统计分布上的差异，以训练源数据集的视觉问答模型，最大化对目标数据集上的问题正确回答的可能性。通过在几个热门的视觉问答数据集之间进行适应性调整的实证研究，发现所提出的方法优于没有适应和其他方法，并定量和 qualitatively 分析了适应性何时最为有效。

Jun, 2018

本文探讨了如何通过合成的问答数据来提高封闭领域检索和机器阅读理解的性能，实验结果表明将神经信息检索系统和机器阅读理解系统组合后，在 CORD-19 数据集上相比于基准开放领域问答系统，有显著的改进。

Dec, 2020

本文提出了一种名为 QADA 的自监督框架，其中引入了一种新颖的数据增强管道，通过隐藏空间增强来丰富 QA 样本，引入多跳同义词和样本增强的令牌嵌入以及自定义注意抽样策略来新开发语境增强的方法，并针对 QA 领域自监督域适应，使用注意力权重建立差异估计的信息特征，帮助 QA 模型在源领域和目标领域之间分离答案并实现泛化。我们的评估显示，QADA 在 QA 领域适应的多个目标数据集上显着提高了比现有技术基线的表现。

Oct, 2022

Open-domain Question Answering research investigates the generalization performance of a retrieval-augmented QA model, proposing Corpus-Invariant Tuning as an effective training strategy to mitigate knowledge over-memorization and achieve better generalizability.

Apr, 2024