TLDR在SemEval-2024任务2中的应用：T5生成的临床语言摘要用于DeBERTa报告分析
计算与语言
2024-04-16 v1 人工智能
机器学习
摘要
本文介绍了用于临床试验自然语言推理（NLI4CT）任务的新方法。我们提出了TLDR（T5生成的临床语言摘要用于DeBERTa报告分析），该方法结合了T5模型生成的摘要前提，用于改进临床NLI任务中的蕴含和矛盾分析。这种方法克服了小上下文窗口和长前提带来的挑战，导致Macro F1分数显著提高：比截断前提提高了0.184。我们全面的实验评估，包括详细的错误分析和消融实验，证实了TLDR在针对语义改变输入实现预测一致性和忠实性方面的优越性。
引用
@article{arxiv.2404.09136,
title = {TLDR at SemEval-2024 Task 2: T5-generated clinical-Language summaries for DeBERTa Report Analysis},
author = {Spandan Das and Vinay Samuel and Shahriar Noroozizadeh},
journal= {arXiv preprint arXiv:2404.09136},
year = {2024}
}