EMNLPJun, 2022

使用问题和答案交叉嵌入增强双编码器进行答案检索

PDF
TL;DR提出了一种基于双编码器的框架，引入了变分自动编码器来增强对话交互，以提高问题回答（QA）系统中答案检索的效率，并且通过使用新的几何对齐机制（GAM）与交叉编码器对齐来显著提高了模型的性能。
dual-encodersquestion answeringvariational auto-encodergeometry alignment mechanismanswer retrieval
发现论文，激发创造
  • 跨变分自编码器实现答案检索

    本文提出了一种通过交叉生成问题和答案来获取问题答案对齐的表示，进而提高答案检索效果的方法，取得了在 SQuAD 上的优异表现。

    May, 2020

  • 探索双编码器体系结构用于问答

    通过对 SDE 和 ADE 的探究与对比实验，我们发现共享参数可以有效提高 ADE 在 QA 检索任务中的性能，甚至超过 SDE，并进一步提出了三种不同的 ADE 改进版本。

    Apr, 2022

  • 探索多种方法在视觉问答中的应用

    本研究探讨了使用生成对抗网络（GANs）、自编码器和注意力机制改进视觉问答（VQA）的创新方法。研究发现，通过利用一个平衡的 VQA 数据集，GAN-based 方法提供了生成与图像和问题相关的答案嵌入的潜力，但在处理较复杂的任务时存在困难。相比之下，基于自编码器的技术专注于学习问题和图像的最佳嵌入，由于在处理复杂问题上能力更强，其结果与 GAN-based 方法相媲美。最后，注意力机制结合多模态紧凑双线性池化（MCB）来解决语言先验和注意力建模问题，但在复杂性和性能之间需要权衡。本研究强调了 VQA 领域的挑战和机遇，并提出了未来研究的方向，包括替代 GAN 的形式和注意力机制。

    Apr, 2024

  • 学习视觉问答的答案嵌入

    该研究提出了一种新的概率模型，用于视觉问答中的多项选择，将嵌入视觉、问答和回答，并考虑到回答之间的语义关系，从而提高了对新问题的表现。

    Jun, 2018

  • 准确问答的双重检索与排名

    本研究提出了一种双重再排序模型和第二个神经检索阶段，以改进在问题应答中使用聚合策略的转换器模型的限制。对三个知名数据集进行的实验表明，该方法在 AS2 上具有相当和显著的改进。

    Jan, 2022

  • 交叉注意力监督数据增强在问答神经检索中的应用

    通过使用数据挖掘和神经网络构建早期和晚期融合的混合模型，我们展示了一种有效的方法，可以提高在大型语料库中连续空间检索的性能

    Sep, 2020

  • 基于统一查询的生成模型，用于问题生成和问题回答

    我们提出了一种基于查询的生成模型，用于解决问题生成和问题回答两个任务， 在查询理解方面，该模型使用经典的编码器 - 解码器框架，通过与多个角度的文章进行匹配来执行查询理解。在进行培训时，我们利用政策梯度强化学习算法来克服暴露偏差，这是由于交叉熵损失的序列学习而引起的主要问题。

    Sep, 2017

  • GNN-encoder：通过图神经网络学习双编码器架构，用于密集通道检索

    通过引入图神经网络，提出一种 GNN-encoder 模型，以改进密集表示检索模型的效率和性能，并在三个数据集上取得最新的最优效果。

    Apr, 2022

  • 一种对称双编码密集检索框架用于知识密集型视觉问答

    本研究提出一种将检索器和阅读器相结合的新 KI-VQA 流程，并通过 DEDR 和 MM-FiD 两种方法进行知识密集型视觉问答 (KI-VQA) 任务，在两个著名的 KI-VQA 数据集 OK-VQA 和 FVQA 上进行了广泛评估，证明了该方法在准确率上优于现有技术。

    Apr, 2023

  • 利用 QA-Memory 增强预训练语言模型以进行开放域问答

    本文提出了一种以问答对为基础的编码 - 解码模型，通过该模型的预训练策略，能够在单跳及多跳问题上达到强大性能，并进一步提高了对模型的解释和控制能力，缩小了与段落检索系统之间的性能差距。

    Apr, 2022