对抗式表问答：面向表格问答的注意力监督
计算与语言
2018-10-22 v2
摘要
给定文本段落回答问题的任务，得益于社区在构建有用数据集方面的努力，在模型性能上取得了巨大进展。近来，人们怀疑这种快速进展是否基于真正的语言理解。在表格问答（TableQA）任务中——即给定一张表回答查询——尚未提出同样的问题。我们表明，现有利用“答案”同时进行TableQA评估与监督的工作，在那些不影响答案的扰动对抗设定下表现出退化的性能。这一见解自然促使我们开发能更精确理解问题与表格的新模型。为此，我们提出神经算子（NeOp），一种具有注意力监督的多层序贯网络，用于给定表格回答查询。NeOp使用多个选择性循环单元（SelRUs）来进一步帮助模型答案的可解释性。实验表明，利用操作数信息训练模型显著提升了TableQA模型的性能与可解释性。NeOp以大幅优势优于此前所有模型。
引用
@article{arxiv.1810.08113,
title = {Adversarial TableQA: Attention Supervision for Question Answering on Tables},
author = {Minseok Cho and Reinald Kim Amplayo and Seung-won Hwang and Jonghyuck Park},
journal= {arXiv preprint arXiv:1810.08113},
year = {2018}
}
备注
ACML 2018