ANA 在 SemEval-2020 任务4中的系统：用于常识推理的多任务学习（UNION）
计算与语言
2020-07-01 v1
摘要
本文描述了我们提交给 SemEval2020 任务4 任务 C 的 mUlti-task learNIng for cOmmonsense reasoNing（UNION）系统，该任务旨在生成解释给定错误陈述为何荒谬的原因。然而，我们在早期实验中发现，诸如微调 GPT2 之类的简单适配常产生枯燥且信息量少的生成结果（例如简单否定）。为生成更有意义的解释，我们提出统一端到端框架 UNION，以利用若干现有常识数据集，使模型能在常识推理范畴内学习更多动态特性。为高效、准确且及时地执行模型选择，我们还提出若干辅助自动评价指标，以便从不同视角广泛比较模型。我们提交的系统不仅在所提指标上表现良好，更以人类评估最高分 2.10 且 BLEU 分数保持在 15.7 优于竞争对手。我们的代码已在 GitHub 公开。
引用
@article{arxiv.2006.16403,
title = {ANA at SemEval-2020 Task 4: mUlti-task learNIng for cOmmonsense reasoNing (UNION)},
author = {Anandh Perumal and Chenyang Huang and Amine Trabelsi and Osmar R. Zaïane},
journal= {arXiv preprint arXiv:2006.16403},
year = {2020}
}
备注
7 pages, 1 figure, 3 tables, SemEval 2020