何を学んだかの理解により必要なこと【JST・京大機械翻訳】

Wang Xiaoqiang; Liu Bang; Xu Fangli; Long Bo; Tang Siliang; Wu Lingfei

プレプリント

J-GLOBAL ID：202202200778118436 整理番号：22P0299403

何を学んだかの理解により必要なこと【JST・京大機械翻訳】

Feeding What You Need by Understanding What You Learned

出版者サイト {{ this.onShowPLink() }} 複写サービスで全文入手
高度な検索・分析はJDreamⅢで

この文献はプレプリントです。プレプリントについてはこちらをご確認ください。

著者 (6件)： , , , , ,
資料名：
発行年： 2022年03月05日プレプリントサーバーでの情報更新日： 2022年03月05日
JST資料番号： O7000B 資料種別：プレプリント
記事区分：プレプリント発行国：アメリカ合衆国 (USA) 言語：英語 (EN)

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】

, , , , , , , ,
, , 【Automatic Indexing@JST】

人工知能

前のページに戻る