语义计算2024春季讨论班——多粒度答案的开放域问题解答、...

一、 主题: 多粒度答案的开放域问题解答主讲人: 梁延杰摘要: 事实问题通常可以在不同的粒度级别上得到正确回答。然而,标准问答 (QA) 评估协议并未明确考虑这一点,而是将预测答案与单一粒度级别的参考答案进行比较。在这项工作中,提出了 GRANOLA QA,这是一种新颖的评估设置,其中根据一组多粒度答案的准确性和信息量来评估预测答案。提出了一种简单的方法,用于通过多粒度答案丰富现有数据集,并创建 GRANOLA-EQ,这是 EN...

语义计算2024春季讨论班——多文档问答中的知识图提示、对...

一、 主题: 多文档问答中的知识图提示主讲人: 梁延杰摘要: 大型语言模型(LLM)的“预训练、提示、预测”范式在开放域问答(OD-QA)方面取得了显着的成功。然而,很少有作品在多文档问答(MD-QA)中探索这种范式,这项任务需要彻底理解文档内容和结构之间的逻辑关联。为了填补这一关键空白,我们提出了一种知识图提示(KGP)方法来制定正确的上下文来提示法学硕士进行MD-QA,该方法由图构建模块和图遍历模块组成。对于图构建...

语义计算实验室举行年度总结会暨博士毕业生经验分享会

12月23日上午,语义计算实验室举行了年度总结会暨博士毕业生经验分享会。在年度总结会议上,实验室负责人孙宇清教授对2023年度的工作进行了全面回顾,内容涉及项目进展、科研成果以及人才培养,并就2024年发展目标分别从个体目标和群体目标两个角度进行规划和展望。在博士毕业生经验交流环节中,刘天元同学分享了科研和学习经历,特别是在文献阅读、模型设计、实验编码等方面的独到见解和心得,以及在科研过程中与导师积极沟通...

语义计算2023秋季讨论班——元强化学习、弱监督学习方法中...

一、 主题: 元强化学习主讲人: 范禄珂摘要: 元强化学习代理需要从一系列轨迹中推断任务。此外,它需要一个快速的适应策略来调整其策略以适应新的任务,这可以通过使用自注意机制来实现。以此新提出的TrMRL (Transformer for Meta-Reinforcement Learning)是一个使用transformer架构模拟记忆恢复机制的元强化学习代理。它将最近的工作记忆联系起来,通过转换层递归地建立情景记忆。研究表明,自关注计算出一种共识表示,它在...

语义计算2023秋季讨论班——句子嵌入的简单对比学习、多样...

一、 主题:句子嵌入的简单对比学习 主讲人: 李呈韬摘要: 本文介绍了SimCSE,一个对比学习框架。首先描述了一种无监督方法,该方法采用输入句子并在对比目标中预测自身,仅使用标准dropout作为噪声。这个简单的方法效果出奇地好,与之前的有监督的方法相当。作者发现dropout作为最小的数据增强,删除它会导致表示崩溃。提出了一种监督方法,该方法将来自自然语言推理数据集的注释对结合到对比学习框架中,使用“蕴涵”对作为...