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...

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...

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...

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...

一、 主题： 基于预训练模型的少样本命名实体识别主讲人： 李成摘要： 少样本命名实体识别的目标是识别具有有限标记实例的命名实体。以往的工作主要集中在优化传统的标记分类框架，而忽视了基于 NER 数据特征的信息探索。针对这一问题，本次分享基于联合任务特定预训练(MSDP)的多任务语义分解框架。示范性对比学习的启示，本文主要介绍了两个新颖的预训练任务: 基于演示的掩蔽语言建模(MLM)和类对比鉴别。这些任务有效地整合了...