Splinter Base Qass

🚀 Splinterベースモデル（事前学習済みQASS層の重み）

Splinter-baseは、論文Few-Shot Question Answering by Pretraining Span Selection（2021年ACL会議で発表）で議論されている事前学習済みモデルです。そのオリジナルのリポジトリはこちらで見つけることができます。このモデルは大文字と小文字を区別します。

注意：このモデルはQASS層の事前学習済み重みを含んでいます（詳細は論文を参照）。これらの重みを含まないモデルが必要な場合は、tau/splinter-baseをご覧ください。

✨ 主な機能

• 自己教師付き学習方式で事前学習されており、少サンプル質問応答タスクに適しています。
• 循環スパン選択（RSS）目標を使用して事前学習され、抽出型質問応答におけるスパン選択プロセスを模倣しています。
• 問題認識スパン選択（QASS）層を定義しており、特定の質問に基づいてスパンを選択して複数の予測を行うことができます。

📚 ドキュメント

モデルの説明

Splinterは自己教師付き学習方式で事前学習された少サンプル質問応答モデルです。これは、人間が何らかの形でラベル付けを行わず、元のテキストのみで事前学習されることを意味します（したがって、大量の公開データを利用できます）。そして、これらのテキストから自動的なプロセスで入力とラベルを生成します。

より正確には、循環スパン選択（RSS）目標を使用して事前学習されており、これは抽出型質問応答に関わるスパン選択プロセスを模倣しています。与えられたテキストから、まず循環スパンのクラスター（テキスト内で複数回出現するn-gram）を識別します。各クラスターについて、そのインスタンスのうち1つを除くすべてが特殊な[QUESTION]トークンに置き換えられ、モデルは各マスクされたスパンに対して正しい（つまりマスクされていない）スパンを選択する必要があります。また、このモデルは問題認識スパン選択（QASS）層を定義しており、特定の質問に基づいてスパンを選択します（複数の予測を行うため）。

想定される用途と制限

このモデルの主な用途は、少サンプル抽出型質問応答です。

事前学習

このモデルはv3 - 8 TPU上で240万ステップの事前学習を行っています。学習データはウィキペディアとBookCorpusに基づいています。詳細については論文を参照してください。

BibTeX引用と引用情報

@inproceedings{ram-etal-2021-shot,
    title = "Few-Shot Question Answering by Pretraining Span Selection",
    author = "Ram, Ori  and
      Kirstain, Yuval  and
      Berant, Jonathan  and
      Globerson, Amir  and
      Levy, Omer",
    booktitle = "Proceedings of the 59th Annual Meeting of the Association for Computational Linguistics and the 11th International Joint Conference on Natural Language Processing (Volume 1: Long Papers)",
    month = aug,
    year = "2021",
    address = "Online",
    publisher = "Association for Computational Linguistics",
    url = "https://aclanthology.org/2021.acl-long.239",
    doi = "10.18653/v1/2021.acl-long.239",
    pages = "3066--3079",
}

📄 ライセンス

このプロジェクトはApache 2.0ライセンスの下で提供されています。