MRC

기계독해. Machine reading comprehension.
주어진 지문(context)를 이해하고, 질의(Query/Question)의 답변을 추론하는 task.

최종적으로는 train에 사용한 MRC Dataset에 존재하지않는 QA에 대해서도 외부 데이터를 활용해 답을 하고자 한다.

Extractive Answer Datasets

질의(question)에 대한 답이 항상 주어진 context의 segment(or span)으로 존재

Cloze Tests

e.g., CNN/Daily Mail, CBT

Question, Answering의 형식이긴하지만 우리가 MRC에서 원하는 것과 같이 온전한 형태의 질문이 아니다.

Span Extraction

e.g.,) SQuAD, KorQuAD, NewsQA, Natural Questions

Descriptive Narrative Answer Datasets

Context 내의 span으로 답을 추출하지 않고, Question을 보고 생성된 sentence(or free-form)의 형태를 답으로 결정.

e.g., MS MACRO, Narrative QA

Multiple-choice Datasets

Answer candidates 중에서 Question의 답을 고르는 task. MRC QA model을 만드는데 적합하지는 않다고 한다.
e.g.,) MCTest(2013년에 공개된 최초의 public MRC dataset이라고들 한다), RACE, ARC

Challenges in MRC

Paraphrased paragraph

P1과 P2는 동일한 의미를 가지는 문장이다. paraphrased된 문장들이다.

P1 문장은 Question에서 등장하는 핵심 단어들인 'selected', 'mission'이 등장하면서 문장의 구조도 매우 쉽다. 따라서 P1 문장을 context에서 찾을 수 있다면 question에 대해서 쉽게 답을 할 수 있을 것이다.

하지만 P2 문장은 question에서 등장하는 단어들이 등장하지도 않을 뿐더러, 문장의 구조는 어려워졌다.

MRC model은 P1, P2에서 모두 답을 찾을 수 있어야 한다.

Coreference resolution

coreference는 상호간에 동일한 의미를 가지며 지칭되는 entity들을 의미한다. coreference resolution은 이러한 entity들을 같은 entity로 인식하는 것이다.
ref: Blog

Unanswerable questions

지문만을 보고 답을 할 수 없는 경우는 분명 존재한다. 하지만 미숙한 모델일 경우 억지로 답을 도출해낼 수도 있다.

따라서 unasnwerable question에 대해서는 답을 내릴 수 없다는 답을 내줘야 한다.

Multi-hop resoning

답을 찾기 위해서 여러 document의 supporting fact를 찾아야만 답을 할 수 있는 task.

e.g., HotpotQA, QAngaroo

평가방법

Extract Match, F1 score

답변이 지문 내에 존재하는 경우(extractive answer)와 multiple-choice dataset의 경우에 사용하는 평가방법들.

• Extract match(EM) or Accuracy
  • 예측한 답과 ground truth이 정확히 일치 비율
  • (Number of correct samples) / (Number of whole sampels)
• F1 score
  • 예측한 답과 ground truth 사이의 token overlap을 F1 score로 계산

ROUGE-L, BLEU

descriptive answer를 위한 평가 방법.

• ROUGE-L Score
  • 예측한 값과 ground truth 사이의 overap recall
• BLEU
  • 예측한 답과 ground truth 사이의 precision