지원사업
학술연구/단체지원/교육 등 연구자 활동을 지속하도록 DBpia가 지원하고 있어요.
커뮤니티
연구자들이 자신의 연구와 전문성을 널리 알리고, 새로운 협력의 기회를 만들 수 있는 네트워킹 공간이에요.
논문 기본 정보
- 자료유형
- 학위논문
- 저자정보
- 지도교수
- 황상흠
- 발행연도
- 2021
- 저작권
- 서울과학기술대학교 논문은 저작권에 의해 보호받습니다.
이용수9
이 논문의 연구 히스토리 (2)
- 이 논문의 후속연구가 궁금하신가요?
- 연관 학술논문 또는 학술발표를 통해 보다 발전된 연구결과를 확인하실 수 있습니다.
- 이 논문의 연구 히스토리 확인하기
초록· 키워드
오류제보하기
인공지능 기술의 발전과 함께 기술을 적극적으로 활용하는 대표적인 분야 중 하나는 자연어처리 분야이다. 특히 BERT 등의 대규모 데이터로 사전 학습한 언어 모델의 발달로 획기적인 발전을 이루었으며, 많은 자연어처리 태스크에서 괄목할만한 성과를 이루었다. 그 중 질의응답 태스크로 알려진 기계 독해 문제 또한 대규모 데이터로 사전 학습한 모델로 인하여 문제 해결 능력 면에서 성능이 좋아졌으며, 특히 특정 분야에 특화된 질의응답 시스템은 챗봇 등의 애플리케이션으로 상용화되고 있다. 이러한 질의 응답시스템은 전문적인 내용을 포함하고 있으며 보다 정밀한 설계를 필요로 한다.
특정 도메인을 위한 질의응답 시스템이 원활히 작동하려면 대답에 확신이 없는 경우 질문을 회피하는 능력이 중요하다. 이러한 회피 능력에 대한 성능은 기존 연구에서 제시된 바 없어 본 연구는 실험을 통해 이를 밝히고자 한다. 특정 도메인을 위한 질의응답 시스템의 학습 방법은 범용 데이터로 학습된 모델에 도메인 데이터를 추가로 학습시키는 방법과 처음부터 도메인 데이터만으로 학습시키는 방법으로 나뉜다. 연구 결과 전자의 방법으로 학습한 모델이 전반적으로 뛰어난 회피 능력을 보였다. 또한, 특정 도메인 데이터의 사용 없이 마스킹 전략만을 바꾼 사전 학습 모델의 회피 성능이 도메인 데이터를 사용한 모델과 비슷하거나 상회한다는 사실을 확인했다.
특정 도메인을 위한 질의응답 시스템이 원활히 작동하려면 대답에 확신이 없는 경우 질문을 회피하는 능력이 중요하다. 이러한 회피 능력에 대한 성능은 기존 연구에서 제시된 바 없어 본 연구는 실험을 통해 이를 밝히고자 한다. 특정 도메인을 위한 질의응답 시스템의 학습 방법은 범용 데이터로 학습된 모델에 도메인 데이터를 추가로 학습시키는 방법과 처음부터 도메인 데이터만으로 학습시키는 방법으로 나뉜다. 연구 결과 전자의 방법으로 학습한 모델이 전반적으로 뛰어난 회피 능력을 보였다. 또한, 특정 도메인 데이터의 사용 없이 마스킹 전략만을 바꾼 사전 학습 모델의 회피 성능이 도메인 데이터를 사용한 모델과 비슷하거나 상회한다는 사실을 확인했다.
목차
등록된 정보가 없습니다.
최근 본 자료
댓글(0)
0