強化された記憶リーダーによる機械読解理解

本論文では、機械読解タスク向けの強化記憶リーダー（Reinforced Mnemonic Reader）を紹介します。このモデルは、従来の注意リーダーを以下の2つの側面で向上させています。第一に、時間的に複数ラウンドのアライメント構造に一時的に記憶された過去の注意に直接アクセスすることで、現在の注意を洗練する再注意機構が提案されています。これにより、注意の冗長性と不足という問題を回避することができます。第二に、標準的な教師あり学習方法を拡張する新しい最適化手法として、動的クリティカル強化学習（dynamic-critical reinforcement learning）が導入されています。この手法は常により受け入れ可能な答えを予測することを奨励し、従来の強化学習アルゴリズムで発生する収束抑制問題に対処します。スタンフォード大学質問応答データセット（Stanford Question Answering Dataset, SQuAD）における広範な実験結果から、当社のモデルが最先端の成果を達成していることが示されました。さらに、2つの対抗的なSQuADデータセットにおいて、当社のモデルは正確一致率（Exact Match）とF1スコアという2つの評価指標で既存システムを6%以上上回る性能を発揮しています。