鲁棒的少样本迁移学习用于知识库问答中的问题回答与无法回答的问题
原文中文,约300字,阅读约需1分钟。发表于: 。提出了解决 KBQA 中无法回答问题的少样本迁移的新任务,并使用 FUn-FuSIC 模型扩展了先进的只针对有答案 KBQA 的少样本迁移模型,通过使用多样的句法、语义和执行引导检查向 LLM 循环提示来生成问题的逻辑形式,并采用自一致性来评估 LLM 的自信度以决定是否可回答。实验证明 FUn-FuSIC 在新构建的数据集上优于适应于 KBQA...
Riya Sawhney、Indrajit Bhattacharya 和 Mausam 提出了一项新任务,以通过少样本迁移学习解决KBQA中未回答问题的问题。他们使用FUn-FuSIC模型扩展了用于KBQA的高级少样本迁移学习模型。FUn-FuSIC通过将多样的句法、语义和执行引导检查纳入LLM提示中生成问题的逻辑形式,并使用自一致性评估LLM的信心以确定可回答性。实验结果表明,FUn-FuSIC在新构建的数据集上优于为KBQA中未回答问题设计的高级模型和为KBQA中有答案的少样本迁移学习设计的高级模型。