MARC

 008240220s2023        ulk                      00        kor
■001000016935039
■00520240214101846
■006m          o    d                
■007cr#unu||||||||
■020    ▼a9798380340373
■035    ▼a(MiAaPQ)AAI30639152
■040    ▼aMiAaPQ▼cMiAaPQ
■0820  ▼a004
■1001  ▼aAlberti,  Christopher.
■24510▼aGrounded  and  Consistent  Question  Answering▼h[electronic  resource]
■260    ▼a[S.l.]▼bColumbia  University.  ▼c2023
■260  1▼aAnn  Arbor▼bProQuest  Dissertations  &  Theses▼c2023
■300    ▼a1  online  resource(173  p.)
■500    ▼aSource:  Dissertations  Abstracts  International,  Volume:  85-03,  Section:  B.
■500    ▼aAdvisor:  Hirschberg,  Julia;Collins,  Michael.
■5021  ▼aThesis  (Ph.D.)--Columbia  University,  2023.
■506    ▼aThis  item  must  not  be  sold  to  any  third  party  vendors.
■520    ▼aThis  thesis  describes  advancements  in  question  answering  along  three  general  directions:  model  architecture  extensions,  explainable  question  answering,  and  data  augmentation.  Chapter  2  describes  the  first  state-of-the-art  model  for  the  Natural  Questions  dataset  based  on  pretrained  transformers.  Chapters  3  and  4  describe  extensions  to  the  model  architecture  designed  to  accomodate  long  textual  inputs  and  multimodal  text+image  inputs,  establishing  new  state-of-the-art  results  on  the  Natural  Questions  and  on  the  VCR  dataset.  Chapter  5  shows  that  significant  improvements  can  be  obtained  with  data  augmentation  on  the  SQuAD  and  Natural  Questions  dataset,  introducing  roundtrip  consistency  as  a  simple  heuristic  to  improve  the  quality  of  synthetic  data.  In  Chapters  6  and  7  we  explore  explainable  question  answering,  demonstrating  the  usefulness  of  a  new  concrete  kind  of  structured  explanations,  QED,  and  proposing  a  semantic  analysis  of  why-questions  in  the  Natural  Questions,  as  a  way  of  better  understanding  the  nature  of  real  world  explanations.  Finally,  in  Chapters  8  and  9  we  delve  into  more  exploratory  data  augmentation  techniques  for  question  answering.  We  look  respectively  at  how  straight-through  gradients  can  be  utilized  to  optimize  roundtrip  consistency  in  a  pipeline  of  models  on  the  fly,  and  at  how  very  recent  large  language  models  like  PaLM  can  be  used  to  generate  synthetic  question  answering  datasets  for  new  languages  given  as  few  as  five  representative  examples  per  language.
■590    ▼aSchool  code:  0054.
■650  4▼aComputer  science.
■650  4▼aComputer  engineering.
■653    ▼aArchitecture  extensions
■653    ▼aData  augmentation
■653    ▼aStructured  explanations
■653    ▼aSemantic  analysis
■653    ▼aSynthetic  data
■690    ▼a0984
■690    ▼a0464
■71020▼aColumbia  University▼bComputer  Science.
■7730  ▼tDissertations  Abstracts  International▼g85-03B.
■773    ▼tDissertation  Abstract  International
■790    ▼a0054
■791    ▼aPh.D.
■792    ▼a2023
■793    ▼aEnglish
■85640▼uhttp://www.riss.kr/pdu/ddodLink.do?id=T16935039▼nKERIS▼z이  자료의  원문은  한국교육학술정보원에서  제공합니다.
■980    ▼a202402▼f2024

미리보기

내보내기

chatGPT토론

Ai 추천 관련 도서