用于机器理解中迁移学习的两阶段合成网络
计算与语言
2017-09-26 v3
摘要
我们开发了一种用于机器理解（MC）中迁移学习的技术，使用新颖的两阶段合成网络（SynNet）。给定一个领域高性能MC模型，我们的技术旨在回答另一领域文档的问题，其中不使用问答对的标注数据。使用提出的SynNet和来自SQuAD数据集的预训练模型在具有挑战性的NewsQA数据集上，我们实现了单模型F1值44.3%和集成46.6%，接近领域内模型性能（F1值50.0%）并超越域外基线7.6%，且未使用提供的标注。
引用
@article{arxiv.1706.09789,
title = {Two-Stage Synthesis Networks for Transfer Learning in Machine Comprehension},
author = {David Golub and Po-Sen Huang and Xiaodong He and Li Deng},
journal= {arXiv preprint arXiv:1706.09789},
year = {2017}
}