WARM：一种用于求解数学应用题的弱（半）监督模型
计算与语言
2023-06-16 v2 机器学习
摘要
求解数学应用题（MWPs）是自然语言处理中一个重要且具有挑战性的问题。现有求解 MWP 的方法需要以中间方程形式提供的完全监督。然而，为每个 MWP 标注相应方程是一项耗时且昂贵的任务。为应对方程标注这一挑战，我们提出一种弱监督模型，仅以最终答案为监督来求解 MWP。我们处理该问题的方式是：首先学习利用问题描述与最终答案生成方程，随后将其用于训练一个有监督的 MWP 求解器。我们提出并比较了多种弱监督技术，以直接从问题描述和答案学习生成方程。通过大量实验，我们证明在不使用方程作为监督的情况下，我们的方法在标准 Math23K 和 AllArith 数据集上分别比最先进的弱监督方法准确率提升 4.5% 和 32%。此外，我们整理并发布了各约 10k 道 MWP 的英语和印地语（一种低资源语言）新数据集，这些数据集适用于训练弱监督模型。我们还提出了 WARMM 向半监督学习的扩展，给出了结果的进一步提升及相应见解。
引用
@article{arxiv.2104.06722,
title = {WARM: A Weakly (+Semi) Supervised Model for Solving Math word Problems},
author = {Oishik Chatterjee and Isha Pandey and Aashish Waikar and Vishwajeet Kumar and Ganesh Ramakrishnan},
journal= {arXiv preprint arXiv:2104.06722},
year = {2023}
}
备注
Accepted in COLING'22