首页
学习
活动
专区
工具
TVP
发布
精选内容/技术社群/优惠产品,尽在小程序
立即前往
  • 您找到你想要的搜索结果了吗?
    是的
    没有找到

    多项榜单第一,达摩院算法工程师深度揭秘让表格说话的TableQA技术

    在日常工作中,Excel 表格随处可见;在 APP 或网页中,表格是清晰友好的信息传递方式;在企业中,关系型数据库无所不在。由于表格数据结构清晰、易于维护,并且对人类理解和机器理解都比较友好,表格 / 关系型数据库是各行各业应用最普遍的结构化知识存储形式。 但在表格知识的查询交互中,门槛却不低:对话系统或搜索引擎并不能很好地将表格知识作为答案查询出来,而关系型数据库的查询更需要专业技术人员撰写查询语句(如 SQL 语句)来完成,对大多数用户来讲门槛更高。在这种背景下,表格问答技术(TableQA)通过将自然

    03

    阅读+验证:面向无答案问题的机器阅读理解【附PPT与视频资料】

    理解自然语言文本并回答相关问题是自然语言处理的核心任务之一。然而,当所提问题在当前给定文本下无法被回答时,我们要求系统能够拒绝给出答案。为了解决这一问题,当前工作通常会预测额外的“无答案”概率来检测问题是否可回答。然而,这些方法未能通过进一步验证预测答案的合法性来检测问题的可回答性。在SFFAI&微软的活动中,国防科技大学计算机学院的在读博士生胡明昊介绍了其在AAAI-19上的最新工作。在该工作中,胡明昊等人提出一种新颖的阅读+验证系统,该系统不仅利用一个神经网络阅读器来提取候选答案,还使用了一个答案验证器来判断预测答案是否被输入文本所蕴含。此外,胡明昊等人引入了两个辅助损失来帮助阅读器更好地处理答案提取以及无回答检测这两个任务,并且探索了针对答案验证器的三种不同架构。在SQuAD 2.0数据集上的实验显示,胡明昊等人的系统在测试集上获得了74.2 F1 ,在提交时取得了顶尖的性能(2018年8月28日)。

    02

    【AAAI】四篇好文简读-专题8

    在本文中,作者提出了一种在线聚类方法,称为对比聚类(CC),它明确地执行实例级和集群级的对比学习。具体来说,对于给定的数据集,通过数据增广构造正实例对和负实例对,然后投影到特征空间中。其中,在行空间和列空间分别进行实例级和簇级的对比学习,方法是将正对相似度最大化,将负对相似度最小化。作者的关键观察是,特征矩阵的行可以被视为实例的软标签,相应地,列可以进一步被视为聚类表示。通过同时优化实例级和集群级的对比损耗,该模型以端到端方式联合学习表示和集群分配。此外,该方法可以及时计算每个个体的簇分配,即使是在数据以流形式呈现的情况下。大量的实验结果表明,CC聚类算法在6个具有挑战性的图像基准上的性能显著优于17种竞争聚类算法。特别是,CC在CIFAR-10 (CIFAR-100)数据集上达到了0.705(0.431)的NMI,与最佳基线相比,性能提高了19% (39%)

    03

    扫码

    添加站长 进交流群

    领取专属 10元无门槛券

    手把手带您无忧上云

    扫码加入开发者社群

    相关资讯

    热门标签

    活动推荐

      运营活动

      活动名称
      广告关闭
      领券