Oct, 2022

二元分類法是否為多選問答的有效方法？

PDF
TL;DR本研究提出将多选题回答任务改为二元分类，并且使用了 DeBERTa 模型，实现了对实际问题的有效解答。
multi-choice question answeringbinary classificationdebertaabductive reasoningcommonsense question answering
发现论文，激发创造
  • 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

  • 无监督多选题回答：从基础知识开始学习

    本文研究了几乎无监督的多项选择题回答（MCQA）的可能性，从非常基本的知识开始，MCQA 模型知道某些选择的正确概率比其他选择更高，提出的方法在 RACE 上胜过基准方法，并且与一些监督学习方法在 MC500 上相当。

    Oct, 2020

  • 重访视觉问答基线模型

    本文提出了一种基于二元分类的简单替代模型来解决视觉问答中的一些问题，并通过在 Visual7W Telling 和 VQA Real Multiple Choice 任务上的实验表明该模型的简单版本同样具有竞争力，同时，作者发现现有的视觉问答系统性能的瓶颈可能在于其对问题及答案中基础概念的不足认知，其表现相对于充分利用数据集偏见的系统并没有显著提升。

    Jun, 2016

  • BinaryVQA: 一个多功能测试集，用于评估 VQA 模型的越界泛化能力

    本篇研究介绍了一个新的视觉问答测试集 BinaryVQA，该数据集包含 7,800 个问题，覆盖了各种对象、主题和概念，仅考虑二元问题，OfA 模型在数据集上的准确率为 75％，难度较高，可挑战视觉问答模型的未来几年。

    Jan, 2023

  • 人类协同标注的最优高效二元问题筛选

    本文研究了在给定预测器的情况下获得注释数据的问题，提出一种基于启发式和代理成本函数最小化的解决方案，并在几个合成和现实世界的数据集上评估其效果。该方法可以显著提高标注效率。

    Jul, 2023

  • 通过询问信息问题进行交互式分类

    研究了自然语言分类中交互的潜力，提出了一种基于限制性的交互形式来进行意图分类，系统通过二进制或多项选择问题来提取额外信息，在提取信息与做出最终分类预测之间进行权衡。通过两个领域的实验证明了交互的优势和平衡请求附加信息与做出最终预测的学习的益处。

    Nov, 2019

  • 无监督多项选择问题回答

    无监督问答，多选题问答，合成数据生成，命名实体，知识图谱。

    Feb, 2024

  • 迁移学习增强的单选决策用于多选题答题

    该研究论文以多选机器阅读理解为主题，使用预训练语言模型作为编码器，并通过微调来分享和传递知识。通过训练二元分类，将多选问题转换为单选问题，并选择置信度最高的选项作为最终答案。通过从其他 MRC 任务转移知识，提出的方法摆脱了多选框架，并可以利用其他任务的资源。在 RACE 和 DREAM 数据集上评估基于 ALBERT-xxlarge 模型构建的模型，实验结果表明该模型在多选方法上表现更好，并且通过从其他类型 MRC 任务转移知识，该模型在单个和集合设置中都取得了最先进的结果。

    Apr, 2024

  • 大型语言模型在医学科目多选题分类中的应用

    通过训练大规模语言模型来判别医学问题，我们使用多问题序列 BERT 方法训练深度神经网络，实现了在医学多选题数据集上 0.68 和 0.60 的准确率，展示了人工智能和大规模语言模型在医疗领域多分类任务中的能力。

    Mar, 2024

  • 多尺度匹配的社区问题回答选择对抗训练

    本研究提出了一种针对社区问答的二分类（相关 / 不相关）策略，采用敌对训练框架缓解标签失衡问题，并使用生成模型迭代地抽样一组具有挑战性的负样本，最终提高模型预测性能。此外，我们使用多尺度匹配方法显式地检查不同粒度级别的单词和 ngram 之间的相关性。在 SemEval 2016 和 SemEval 2017 数据集上进行评估，结果表明该方法达到或接近最佳性能。

    Apr, 2018