Majority of question-answering models based on artificial neural networks are limited in their ability to capture natural language variability. To tackle this problem, we derive a model that learns multiple interpretations for a given question, using our ``interpretation policy'' module which automatically adjusts the parameters of a question answering model with respect to a value of a discrete latent variable. Interpretation policy is learned through a semi-supervised variational inference framework. Our framework is capable of combining different learning paradigms such as semi-supervised learning, reinforcement learning, and sample-based variational inference to bootstrap the performance.We analyze the effectiveness of our method through a large panel of experiments. When tested using the Stanford Question Answering Dataset, our model outperforms the baseline methods in finding multiple and diverse answers. Qualitative results underline the ability of the proposed architecture to discover multiple interpretations of a question.
인공 신경망을 기반으로 하는 대부분의 질의응답 모델은 자연어의 변동성 이해에 한계점을 보인다. 이 문제점을 해결하기 위해, 우리는 이산 은닉 변수로부터 질의응답 모델이 파라미터를 자동으로 조정하는 우리의 "해석 정책" 모듈을 이용하여 주어진 질문에 대한 여러 해석을 학습하는 모델을 유도한다. 해석 정책은 변형적 추론 프레임워크의 준지도학습을 통해 학습한다. 우리의 프레임워크는 준지도학습, 강화학습 그리고 샘플 기반 변형적 추론과 같은 다양한 학습 패러다임을 결합하여 성능을 향샹시킨다. 우리는 큰 규모의 실험을 통해 방법의 효율성을 분석한다. 스텐포드 질의응답 데이터셋을 사용하여 테스트 할 때, 우리 모델은 다양한 답을 찾도록하는 여러 접근법보다 성능이 우수하다. 정성적인 결과는 제안된 아키텍쳐가 한 질문에 대해 다양한 해석을 찾아냄을 강조한다.
