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

FlexKBQA 是一种利用大型语言模型解决少样本知识库问答任务的方法。

该方法通过自动化算法生成多样的程序，并将其转化为自然语言问题。

引入执行引导自训练策略以缓解合成数据和真实用户问题之间的分布差异。

在 GrailQA、WebQSP 和 KQA Pro 上的实验显示，FlexKBQA 在少样本和零样本情景下表现优异，接近监督模型的性能。

研究探讨了迁移学习在问答中的应用，显著提高了性能，尤其在 TOEFL 听力理解测试中表现突出。

提出了新的 KBQA 模型 RetinaQA，显示出在可回答和不可回答问题上的强大性能。

Interactive-KBQA 框架通过与知识库直接交互生成逻辑形式，展示了模型的适应性和潜力。

研究构建了 UNK-VQA 数据集，旨在提升 VQA 模型的弃权能力，增加 AI 系统的可信度。

提出的 McL-KBQA 框架通过基于 ICL 的多选项提高了 QA 任务的有效性和泛化性能。

KB-BINDER 方法利用大型语言模型生成逻辑形式，并通过 BM25 得分匹配进行知识库组合，表现强劲。

研究提出的微调框架在各种 few-shot 配置下均取得了显著增益。

组合零样本迁移学习和黑盒大型语言模型的方法在不同阶段均带来显著改进。