熟能生巧：面向数学应用题求解器的数据增强
计算与语言
2022-05-03 v1
摘要
现有的数学应用题（MWP）求解器在基准数据集上已取得了很高的准确率。然而，已有研究表明此类求解器泛化能力不佳，且依赖表面线索来获得高性能。在本文中，我们首先通过实验表明，这种行为主要与现有 MWP 数据集规模有限且多样性不足有关。接着，我们提出了若干数据增强技术，可宽泛地归为基于替换和基于改写的方法。通过部署这些方法，我们将现有数据集的规模扩充至五倍。在三个最先进的 MWP 求解器上、基于两个基准数据集的大量实验表明，所提方法提升了现有求解器的泛化能力与鲁棒性。平均而言，所提方法在基准数据集上将最先进（SOTA）结果显著提升了超过五个百分点。此外，在增强数据集上训练的求解器在挑战性测试集上表现相对更优。我们还通过消融实验展示了所提技术的有效性，并通过人工评估验证了增强样本的质量。
引用
@article{arxiv.2205.00177,
title = {Practice Makes a Solver Perfect: Data Augmentation for Math Word Problem Solvers},
author = {Vivek Kumar and Rishabh Maheshwary and Vikram Pudi},
journal= {arXiv preprint arXiv:2205.00177},
year = {2022}
}
备注
Accepted at NAACL 2022