基于问题分类的问答领域自适应

COLINGSep, 2022

Domain Adaptation for Question Answering via Question Classification

Zhenrui Yue, Huimin Zeng, Ziyi Kou, Lanyu Shang, Dong Wang

TL;DR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。

Abstract

question answering (QA) has demonstrated impressive progress in answering questions from customized domains. Nevertheless, domain adaptation remains one of the most elusive challenges for QA systems, especially w

question answering domain adaptation question classification self-supervised maximum mean discrepancy

发现论文，激发创造

基于有限文本语料库的对比领域自适应对话回答

本研究提出了一种名为对比领域自适应问答（CAQA）的新型领域适应框架，该框架结合了问题生成和域不变学习技术，用于在文本语料库受限的情况下回答域外问题，并且相较于现有技术取得了显著的效果改善。

Aug, 2021

视觉问答的跨数据集自适应

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

领域无关的对抗训练问答

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

M2QA：多领域多语言问答

通过引入多领域多语言问题回答基准 M2QA，并利用其探索经过微调的模型、最新最先进的 LLM 的跨语言跨领域性能，以及研究模块化方法对领域和语言进行适应，我们发现模型类别内在领域 - 语言组合上具有相当大的性能差异，并且在所有模型规模上源语言 - 目标语言 / 领域组合之间存在显著的性能下降。我们证明了 M2QA 并未得到完全解决，需要新的方法来有效地传递语言和领域特定信息。

Jul, 2024

基于多模态领域自适应的开放式视觉问答

本文提出了一种新颖的 VQA 有监督多模态域自适应方法，通过考虑所有模态在一起以及单独处理每个单独模态来对齐源域和目标域的数据分布，以学习跨不同领域和模态的联合特征嵌入，通过在 VQA 2.0 和 VizWhiz 数据集上进行广泛实验，表明了我们所提出方法在这个具有挑战性的 VQA 域自适应设置中胜过了现有的最先进的方法。

Nov, 2019

多级多类别科学多选考试问题分类

研究使用细粒度分层分类法的最大挑战数据集，与基于 BERT 模型的算法相比，可以大大提高问题分类的准确度以及进一步改善问题回答系统的性能。

Aug, 2019

CliniQG4QA：用于临床问答领域自适应的多样化问题生成技术

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

使用隐藏空间增强和自监督对比适应改进 QA 领域的领域适应

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

机器阅读理解的稳健领域自适应

本文提出了一种名为 RMRC 的方法，使用对话和领域自适应技术构建问题 - 答案对，通过答案提取器和问题选择器以及增强式自训练方法进行优化，从而解决机器阅读理解中因领域迁移引起的问题，包括噪声对应和效率降低，实验证明了该方法的有效性。

Sep, 2022

开放领域问答中领域自适应挑战与干预：调整或注释？

研究开放领域问答（ODQA）中，当应用于广泛不同的领域时，此类模型的稳健性和应用性能。该研究提出了一个更现实和具有挑战性的领域转移评估环境，并研究了端到端的模型性能。他们发现，不仅模型在推广方面表现出失败，且高检索分数通常也不能提供准确的答案预测。最后，研究提出并评估了多种干预方法，其提高了端到端答案 F1 得分，最多可达 24 个点。

Dec, 2022