Weakly supervised question answering
Weakly supervised question answering (WS-QA) trains neural reading-comprehension models using indirect or automatically derived answer labels rather than expensive human-annotated span annotations. By exploiting distant supervision, heuristic labeling, or answer-presence signals, WS-QA makes QA feasible in domains and languages where full annotation is impractical.
Εγγραφή πηγής
Οι παραπομπές αντιγράφονται αυτούσιες από την εγγραφή πηγής της μεθόδου. Δεν υπονοείται επαλήθευση σε επίπεδο ισχυρισμού από αυτές.
- Clark, C., & Gardner, M. (2018). Simple and Effective Multi-Paragraph Reading Comprehension. In Proceedings of ACL 2018, pp. 845–855. Association for Computational Linguistics. · URL
- Min, S., Chen, D., Hajishirzi, H., & Zettlemoyer, L. (2019). A Discrete Hard EM Approach for Weakly Supervised Question Answering. In Proceedings of EMNLP-IJCNLP 2019, pp. 2083–2093. Association for Computational Linguistics. · URL
Επιμελημένοι ισχυρισμοί
Οι ισχυρισμοί έχουν αποθηκευτεί στο καθολικό τεκμηρίων, καθένας με τη δική του αξιολόγηση.
Αυτή η προβολή δεν επινοεί αξιολόγηση ισχυρισμού όταν το καθολικό δεν έχει κανέναν.
Σχετικές μέθοδοι
Δημιουργούνται από τον γράφο μεθόδων και εμφανίζονται ως προτεινόμενες από μηχανή σχέσεις — δεν υπονοείται ισχυρισμός τεκμηρίου.