ACLFeb, 2023

多跳问答中底层推理任务有效性分析

PDF
TL;DR通过分析采用底层推理任务（包括句子级和实体级）对三个方面的影响（1. 问答性能，2. 推理捷径， 3. 鲁棒性），我们建立了一个多任务模型来执行三个任务：句子级支撑事实预测，实体级推理预测和答案预测，实验结果表明底层推理任务可以提高问题回答的性能和防止推理捷径，但是却不能提高对小问题和反问题等对抗性问题的鲁棒性。
underlying reasoning tasksmulti-hop question answeringentity-level reasoning predictionrobustnessadversarial questions
发现论文，激发创造
  • 多跳推理数据集设计选择的理解

    本文研究两个新的数据集对于多跳推理问题，探究了句子分层模型和无标记版本中的伪相关性。结果表明，高绩效模型可能没有像以前想象的那样学到足够的多跳推理。

    Apr, 2019

  • UniKGQA：基于知识图谱的多跳问答统一检索与推理

    UniKGQA 是一种新的多跳知识图谱问答方法，通过统一检索和推理模型架构和参数学习，基于预训练语言模型的语义匹配模块和匹配信息传播模块进行问题与关系的语义匹配，采用共同的预训练任务和检索以及推理定向的微调策略。

    Dec, 2022

  • 理解并改善生成式问答中的零样本多跳推理

    本文研究发现，生成式问答模型的多跳推理能力非常有限，但可以通过训练拼接单跳问题或逻辑形式的方式进行改进。

    Oct, 2022

  • 避免推理捷径： 多跳问答的对抗评估、训练和模型开发

    本论文针对 HotpotQA 数据集中的多跳问题回答过程中存在 reasoning shortcuts 的问题，通过构建对抗性文档解决了该问题。同时，提出使用控制单元指导模型的多跳推理，使得 2-hop 模型在 1-hop baseline 的基础上获得更高的准确性。结果表明，该训练方式对于构建更加有效的组合推理模型非常有帮助。

    Jun, 2019

  • 基于推理链的多跳问答

    该论文提出了一种在多步问题回答中维护显式推理过程的方法。该方法提取一个离散的推理链，并将其提供给一个基于 BERT 的 QA 模型来进行最终答案预测。我们的方法在两个近期提出的大型多跳问题回答数据集 ——WikiHop 和 HotpotQA 上进行了测试，并取得了令人瞩目的成果。

    Oct, 2019

  • 构建用于全面评估推理步骤的多跳问答数据集

    本研究创建了一个名为 2WikiMultiHopQA 的新的多跳问题回答数据集，使用结构化和非结构化数据生成问题 - 答案对，并提供包含推理路径的证据信息以提供预测的全面解释并评估模型推理技能。通过实验，我们证明了我们的数据集对于多跳模型来说具有挑战性，并确保需要使用多跳推理。

    Nov, 2020

  • 生成式多跳问答任务的常识推理

    通过提出一种选择基于概念网络的常识信息和一种选择性门控的多头注意力机制，本文提出了一种生成式模型，用于解决阅读理解 QA 任务中的多跳关系抽取问题，并在 NarrativeQA 数据集上创造新的最先进结果。

    Sep, 2018

  • HOP, UNION, GENERATE: 可解释的无需理由监督的多跳推理

    该研究提出了一种基于概率的方法来训练可解释的多跳问答系统，该系统可以在无需基于理由的监督的情况下进行训练。该方法将理由明确建模为集合，能够在文档之间以及文档内部的句子之间进行交互和多跳推理，这种方法在选择理由方面比之前的方法更加准确。

    May, 2023

  • 多跳问答与生成综述

    本文提出了一个多跳问题回答（Multi-Hop QA）的具体与形式化定义，并对现有的 Multi-Hop QA 框架进行了组织和总结，同时介绍了创建多跳问题回答数据集的最佳方法，以系统全面地介绍这个有趣而具有挑战性的任务。

    Apr, 2022

  • 强化多任务方法用于多跳问题生成

    使用多任务学习和强化学习的方法，通过支持事实的多次跳转生成相关问题，相比于单次跳转模型，我们的模型在 HotPotQA 数据集上表现更好（同时在自动评估指标如 BLEU、METEOR 和 ROUGE 以及人工评估指标中都有着更高的质量和覆盖率）。

    Apr, 2020