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。
BERTのようないくつかの強力なモデルが提案されているので,機械読取り(MRC)は顕著な結果を達成した。しかし,これらのモデルは,敵対的入力摂動と一般化例に対して十分にロバストで,脆弱ではない。いくつかの研究は,データ分布のシフトがモデル信頼性のソフトマックス確率に基づく回答ランキングを行うので,訓練データにいくつかの関連例を加えることによって,データの特定タイプに関する性能を改良することを試みた。本論文では,XGBoostモデルに基づいて実装された事後再ランク付け器としてキャリブレータを用いることによりロバスト性を改善する方法を提案した。キャリブレータは,候補結果をランク付けするために,手動特徴と表現学習特徴の両方を組み合わせる。敵対的データセットに関する実験結果は,著者らのモデルが10%以上の性能改良を達成することができて,また,オリジナルおよび一般化データセットに関して改良もできることを示した。【JST・京大機械翻訳】