ترجمه فارسی مقاله متقاطع: بهبود تولید توضیح زبان طبیعی با یادگیری پشت سر هم

انتخاب پلن

انتخاب پلن برای ادامه خرید الزامی است.

پرداخت اقساطی
در صورت خرید اقساطی هر قسط: 37,500 تومان
۴ قسط ماهانه. بدون سود، چک و ضامن.
پرداخت اقساطی با دیجی‌پی پرداخت اقساطی با ترب‌پی
عنوان مقاله به انگلیسی Cross-Refine: Improving Natural Language Explanation Generation by Learning in Tandem
عنوان مقاله به فارسی متقاطع: بهبود تولید توضیح زبان طبیعی با یادگیری پشت سر هم
نویسندگان Qianli Wang, Tatiana Anikina, Nils Feldhus, Simon Ostermann, Sebastian Möller, Vera Schmitt
فرمت مقاله انگلیسی PDF
تعداد صفحات 17
لینک دانلود رایگان مقاله انگلیسی دانلود مقاله
دسته بندی موضوعات Computation and Language,Machine Learning,محاسبه و زبان , یادگیری ماشین ,
توضیحات Submitted 11 September, 2024; originally announced September 2024. , Comments: 17 pages; under review
توضیحات به فارسی ارسال شده در 11 سپتامبر 2024 ؛در ابتدا سپتامبر 2024 اعلام شد ، نظرات: 17 صفحه ؛تحت بررسی
اطلاعات بیشتر از این مقاله در پایگاه های علمی INSPIRE HEP
NASA ADS
Google Scholar
Semantic Scholar

📚 محتوای این محصول آموزشی (پکیج کامل)

علاوه بر مقاله اصلی انگلیسی که دریافت می کنید، برای یادگیری عمیق‌تر و تسلط کامل بر مباحث مجموعه‌ای از کتاب‌های آموزشی نیز ارائه می‌شود.

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتاب‌ها، تمرین‌ها و خودآزمایی.

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

چکیده

Natural language explanations (NLEs) are vital for elucidating the reasoning behind large language model (LLM) decisions. Many techniques have been developed to generate NLEs using LLMs. However, like humans, LLMs might not always produce optimal NLEs on first attempt. Inspired by human learning processes, we introduce Cross-Refine, which employs role modeling by deploying two LLMs as generator and critic, respectively. The generator outputs a first NLE and then refines this initial explanation using feedback and suggestions provided by the critic. Cross-Refine does not require any supervised training data or additional training. We validate Cross-Refine across three NLP tasks using three state-of-the-art open-source LLMs through automatic and human evaluation. We select Self-Refine (Madaan et al., 2023) as the baseline, which only utilizes self-feedback to refine the explanations. Our findings from automatic evaluation and a user study indicate that Cross-Refine outperforms Self-Refine. Meanwhile, Cross-Refine can perform effectively with less powerful LLMs, whereas Self-Refine only yields strong results with ChatGPT. Additionally, we conduct an ablation study to assess the importance of feedback and suggestions. Both of them play an important role in refining explanations. We further evaluate Cross-Refine on a bilingual dataset in English and German.

چکیده به فارسی (ترجمه ماشینی)

توضیحات زبان طبیعی (NLE) برای روشن کردن استدلال تصمیمات مدل بزرگ زبان (LLM) بسیار مهم است.بسیاری از تکنیک ها برای تولید NLE با استفاده از LLMS ساخته شده اند.با این حال ، مانند انسان ، LLM ها ممکن است همیشه در اولین تلاش NLE بهینه تولید نکنند.با الهام از فرآیندهای یادگیری انسانی ، ما متقاطع را معرفی می کنیم ، که با استفاده از دو LLM به عنوان ژنراتور و منتقد ، از الگوی نقش استفاده می کند.ژنراتور اولین NLE را خروجی می کند و سپس این توضیحات اولیه را با استفاده از بازخورد و پیشنهادات ارائه شده توسط منتقد پالایش می کند.Cross-Refine نیازی به داده های آموزش نظارت یا آموزش اضافی ندارد.ما با استفاده از سه LLM با منبع بازترین منبع باز از طریق ارزیابی خودکار و انسانی ، در سه کار NLP تأیید می کنیم.ما خودآفریناتی را انتخاب می کنیم (مادان و همکاران ، 2023) به عنوان پایه ، که فقط از خود از بازگشت به خود برای اصلاح توضیحات استفاده می کند.یافته های ما از ارزیابی خودکار و یک مطالعه کاربر نشان می دهد که بازپرداخت متقابل از خود بازپرداخت است.در همین حال ، متقاطع متقاطع می تواند با LLM های کمتری قدرتمند عمل کند ، در حالی که خود بازپرداخت فقط با chatgpt نتایج محکمی به همراه دارد.علاوه بر این ، ما یک مطالعه فرسایش را برای ارزیابی اهمیت بازخورد و پیشنهادات انجام می دهیم.هر دوی آنها نقش مهمی در پالایش توضیحات دارند.ما بیشتر در مورد یک مجموعه داده دو زبانه به زبان انگلیسی و آلمانی ، متقاطع را در یک مجموعه داده دو زبانه ارزیابی می کنیم.

📚 محتوای این محصول آموزشی (پکیج کامل)

علاوه بر مقاله اصلی انگلیسی که دریافت می کنید، برای یادگیری عمیق‌تر و تسلط کامل بر مباحث مجموعه‌ای از کتاب‌های آموزشی نیز ارائه می‌شود.

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتاب‌ها، تمرین‌ها و خودآزمایی.

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

نظرات

هنوز نظری ثبت نشده است.

وارد شوید تا نظر ثبت کنید.