机器阅读理解中推理捷径的度量与缓解综述
计算与语言
2023-09-07 v2
摘要
捷径学习的问题在自然语言处理(NLP)中广为人知，且近年来已成为重要的研究焦点。数据中的非预期相关性使模型能够轻易解决那些本应展现高级语言理解与推理能力的任务。在本综述论文中，我们聚焦于机器阅读理解(MRC)领域——这是展现高级语言理解的一项重要任务，也同样受到一系列捷径的困扰。我们总结了用于度量和缓解捷径的可用技术，并以对捷径研究进一步推进的建议作结。重要的是，我们强调了MRC中捷径缓解的两个关切：(1)缺乏公开挑战集，这是有效且可复用评估的必要组成部分；(2)缺乏在其他领域已很突出的某些缓解技术。
引用
@article{arxiv.2209.01824,
title = {A Survey on Measuring and Mitigating Reasoning Shortcuts in Machine Reading Comprehension},
author = {Xanh Ho and Johannes Mario Meissner and Saku Sugawara and Akiko Aizawa},
journal= {arXiv preprint arXiv:2209.01824},
year = {2023}
}
备注
18 pages, 2 figures, 4 tables