用于问答领域自适应的合成问题价值估计
计算与语言
2022-03-18 v1
摘要
在目标领域上使用问题生成器（QG）合成问答（QA）对已成为问答模型领域适应的流行方法。由于合成问题在实践中常有噪声，现有工作采用预训练QA（或QG）模型的分数作为标准来筛选高质量问题。然而，这些分数并不直接服务于提升目标领域QA性能这一最终目标。本文中，我们引入训练问题价值估计器（QVE）的新思路，其直接估计合成问题对提升目标领域QA性能的有用性。通过全面实验，我们表明由QVE筛选的合成问题相较于现有技术能帮助实现更好的目标领域QA性能。我们还额外表明，利用此类问题及目标领域仅约15%的人工标注，即可达到与全监督基线相当的性能。
引用
@article{arxiv.2203.08926,
title = {Synthetic Question Value Estimation for Domain Adaptation of Question Answering},
author = {Xiang Yue and Ziyu Yao and Huan Sun},
journal= {arXiv preprint arXiv:2203.08926},
year = {2022}
}
备注
ACL 2022 Main Conference