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。
事前訓練言語モデル(LM)は予訓練コーパスからかなりの量の知識を記憶することが示されている。しかし,それらは,ある文脈を与える事実正しく正しい知識を思い出すのにまだ限られている。したがって,知識集約的自然言語生成(NLG)タスクで使用するとき,それらは,対物的または幻覚的発生に悩まされる傾向がある。この問題に対する最近の修復は,知識を組み込むための事前訓練あるいはタスク微調整目的の修正に焦点を当て,通常,実際のアプリケーションのためのLMの付加的高コスト訓練またはアーキテクチャ修正を必要とする。LM復号化の各ステップに外部知識を動的に注入する生成LMのための新しい復号アルゴリズムである知識融合復号(KID)を提案した。具体的には,動的に生成された外部知識トリeと相互作用する現在のコンテキストに基づく局所知識メモリを維持し,強化学習を介して復号化をガイドするための知識意識制約として局所メモリを連続的に更新する。6つの多様な知識集約型NLGタスクにおいて,KIDを装着したタスク-診断LM(例えば,GPT-2およびBART)は,多くのタスク最適化最先端モデルより優れ,7つの関連する知識注入技術について,少数ショットシナリオにおいて特に強い性能を示した。人間の評価は,複数のベースラインと比較して,入力コンテキストに対するより適切で事実的な言語を生成するKIDの能力を確認する。最後に,KIDは曝露バイアスを軽減し,より長いシーケンスを生成するとき安定した発電品質を提供する。KIDのコードはhttps://github.com/microsoft/KIDで利用可能である。【JST・京大機械翻訳】