抄録/ポイント:
抄録/ポイント
文献の概要を数百字程度の日本語でまとめたものです。
部分表示の続きは、JDreamⅢ(有料)でご覧頂けます。
J-GLOBALでは書誌(タイトル、著者名等)登載から半年以上経過後に表示されますが、医療系文献の場合はMyJ-GLOBALでのログインが必要です。
機械読影(MRC)は,与えられたテキスト通路とそれに基づく回答質問を理解する能力を明らかにする。MRCにおける既存の研究は,Exact Match(EM)とF_1のような計量によって評価される性能を改善するために,大規模モデルとコーパスに大きく依存している。しかし,そのようなパラダイムはモデル能力に十分な解釈を欠き,大きなコーパスを持つモデルを効率的に訓練できない。本論文では,モデル能力とデータ特性の深い理解が,その学習状況に基づく適切な訓練データによるモデルの提供を助けることができると主張する。具体的には,説明可能かつ多次元的にモデル能力を評価するMRC能力評価フレームワークを設計した。それに基づいて,著者らはさらに,種々のデータ特性とモデル性能の間の接続を,解明して,解きほぐ。最後に,提案したMRC能力評価フレームワークの有効性を検証するために,それをカリキュラム学習パイプラインに組み込み,データ価値を最大化し訓練効率を改善するためにモデル能力ベース訓練を実行するCapbility Bound Break Curriculum(CBBC)戦略を考案した。広範な実験は,著者らのアプローチが性能を著しく改善し,MRCタスクにおいてEM/F_1の11.22%/8.71%の改善を達成することを示した。【JST・京大機械翻訳】