Key points are not available for this paper at this time.
차트 질문 응답(CQA)은 차트 이미지 내 시각화에 관한 자연어 질문에 답하는 과제입니다. 최근 VQA 접근법에서 영감을 받은 솔루션들은 질문/응답을 위해 이미지 기반 어텐션에 의존하지만 고유한 차트 구조를 무시합니다. 우리는 순차적 요소 위치 지정, 질문 인코딩, 그리고 구조적 트랜스포머 기반 학습 접근법을 통해 질문/응답을 개선하는 STL-CQA를 제안합니다. 우리는 사전 학습 과제, 방법론, 그리고 다양한 유형의 더 복잡하고 균형 잡힌 질문을 포함한 개선된 데이터셋을 제안하며 광범위한 실험을 수행합니다. 제안된 방법론은 다양한 차트 Q/A 데이터셋에서 최첨단 접근법에 비해 유의미한 정확도 향상을 보이며, DVQA 데이터셋에서는 인간 기준치마저 능가합니다. 또한 추론 파이프라인의 다양한 구성 요소를 검토하며 해석 가능성을 입증합니다.
Building similarity graph...
Analyzing shared references across papers
Loading...
Hrituraj Singh
Sumit Shekhar
Building similarity graph...
Analyzing shared references across papers
Loading...
Singh 외 (수요일,) 이 질문을 연구했습니다.
www.synapsesocial.com/papers/698659c62a0aff41bf104099 — DOI: https://doi.org/10.18653/v1/2020.emnlp-main.264
Synapse has enriched 5 closely related papers on similar clinical questions. Consider them for comparative context: