为零样本科学问答编码解释性知识
计算与语言
2021-05-21 v2 机器学习
摘要
本文描述了 N-XKT（基于神经编码的解释性知识迁移），一种通过神经编码机制自动迁移解释性知识的新方法。我们证明 N-XKT 能够提升科学问答（QA）的准确率和泛化能力。具体而言，通过利用背景解释性知识语料库中的事实，N-XKT 模型在零样本 QA 上展现出明显的改进。此外，我们表明 N-XKT 可以在目标 QA 数据集上微调，从而实现更快的收敛和更准确的结果。我们进行了系统分析，定量研究 N-XKT 模型的性能以及不同类别知识对零样本泛化任务的影响。
引用
@article{arxiv.2105.05737,
title = {Encoding Explanatory Knowledge for Zero-shot Science Question Answering},
author = {Zili Zhou and Marco Valentino and Donal Landers and Andre Freitas},
journal= {arXiv preprint arXiv:2105.05737},
year = {2021}
}