เพิ่มควอนตัมไอคิวของคุณ

เพิ่มควอนตัมไอคิวของคุณ

เครดิตฟรี

เว้นแต่คุณจะอยู่ใต้ก้อนหิน คุณอาจรู้จักคอมพิวเตอร์ควอนตัมขนาด 5 บิตที่เราเผยแพร่ทางออนไลน์เมื่อปีที่แล้ว ซึ่งคุณและบุคคลทั่วไปสามารถเข้าถึงได้ฟรีผ่าน IBM Cloud บางทีคุณอาจไม่ได้คิดอะไรมาก เนื่องจากขณะนี้มีเทคโนโลยีล้ำสมัยมากมายที่เข้าถึงได้ผ่านระบบคลาวด์

สล็อต

แต่ลองคิดดู มีชิปที่มีลวดลายเป็นตัวนำยิ่งยวด 5 คิวบิต (ตัวพาข้อมูลควอนตัมของเรา) นั่งอยู่ที่ด้านล่างของตู้เย็นเจือจางที่ 0.015 เคลวินในห้องทดลองของเรา. อากาศเย็นพอที่จะทำให้อากาศเย็นจัดและทำให้อะตอมแทบไม่เคลื่อนไหว เราได้ออกแบบ qubits ของเราให้คงสถานะควอนตัมไว้นานพอที่จะดำเนินการได้มากกว่าหนึ่งร้อยครั้ง เราได้ออกแบบความถี่และรูปร่างของพัลส์ที่แน่นอนซึ่งไมโครเวฟจะต้องใส่คิวบิตเหล่านี้ในการซ้อนทับควอนตัมและสร้างการพัวพันระหว่างพวกเขาตามต้องการ เรามีชั้นวางอุปกรณ์อิเล็กทรอนิกส์ขนาดใหญ่สำหรับทำสิ่งนี้ โดยวางไว้ข้างตู้เย็น เพื่อให้ใช้งานง่าย เราได้เชื่อมต่อฮาร์ดแวร์ทั้งหมดนี้กับ GUI ที่สวยงาม ผู้ใช้จึงไม่จำเป็นต้องรู้เรื่องนี้ด้วยซ้ำ เครื่องต้นแบบนี้ใช้เวลาหลายปีในการผลิต และใช้งานได้จริง เราเชื่อมต่อกับเว็บเพื่อให้คุณใช้งานได้: เพื่อเรียนรู้ ค้นคว้า เล่นหรืออะไรก็ตามที่คุณคิด
นึกภาพไม่ออก? David McKay นักวิจัยของ IBM บันทึกวิดีโอเพื่อแสดงให้คุณเห็นว่าจะเกิดอะไรขึ้นเมื่อคุณเริ่มการทดลองผ่านประสบการณ์ IBM Q
ไม่กี่เดือนที่ผ่านมา เราได้เปิดตัวการอัปเกรดเป็น 16Qสำหรับผู้ใช้เบต้า Hanhee Paik และ Martin Sandberg สมาชิกทีมวิจัยสองคนที่ทำให้สิ่งนี้เกิดขึ้น อยากให้คุณทราบเพิ่มเติมว่ามีอะไรใหม่ในโปรเซสเซอร์ 16Q และเหตุใดจึงสำคัญ การแจ้งเตือนโดยสปอยเลอร์: การวิจัยขั้นสูงและการพัวพันที่ขยายออกไป
อะไรต่อไปสำหรับการวิจัยคอมพิวเตอร์ควอนตัม? คุณเดาได้ เหนือสิ่งอื่นใด: เครื่องจักรที่ดีกว่า แต่คุณจะรู้ได้อย่างไรว่าพวกเขาดีขึ้น? คุณอาจตระหนักว่าจำนวน qubits มีความสำคัญ แต่อัตราข้อผิดพลาดก็เช่นกัน ถ้าฉันมี qubits นับพันแต่ไม่สามารถควบคุมสถานะได้อย่างแม่นยำเพียงพอ มันจะมีประโยชน์อะไร? เราได้สร้างตัวชี้วัดเพื่อช่วยเปรียบเทียบเครื่องจักรในปัจจุบัน — และในอนาคต เราเรียกมันว่าปริมาณควอนตัม. โดยจะพิจารณาถึงจำนวน qubits ความแม่นยำของการดำเนินการแต่ละอย่าง ความเชื่อมโยงของ qubits ต่อกัน และปัจจัยอื่นๆ ที่เรารวมไว้ในอัตราข้อผิดพลาด เมื่อเราพูดว่า “ปริมาณควอนตัมที่สูงขึ้น” เราหมายความว่าเราปรับปรุงสิ่งหนึ่งหรือทั้งสองอย่าง (จำนวน qubits อัตราข้อผิดพลาด) และโดยเฉพาะอย่างยิ่งสิ่งที่ฉุดรั้งเราไว้ คุณควรได้ยินจากแหล่งที่มาโดยตรง นักวิจัยของ IBM Lev Bishop ช่วยสร้างเมตริกนี้และอธิบายว่าเหตุใดจึงเป็นเมตริกที่ดีที่สุดที่เรามี
เป็นเวลาที่น่าตื่นเต้นสำหรับการวิจัยคอมพิวเตอร์ควอนตัม คุณได้รับเชิญให้เข้าพักในระดับแนวหน้ากับเราและมีส่วนร่วมในของเราชุมชน คุณไม่มีอะไรจะเสีย เราได้ทำให้มันง่ายและฟรี
การทำให้โครงข่ายประสาทเทียมแข็งแกร่งต่อข้อมูลที่แก้ไขโดยขัดแย้งกัน เช่นรูปภาพที่ถูกรบกวนโดยสัญญาณรบกวนที่มองไม่เห็นเป็นปัญหาที่สำคัญและท้าทายในการวิจัยการเรียนรู้ของเครื่อง เช่นการสร้างความมั่นใจความทนทานเป็นหนึ่งในเสาหลักของไอบีเอ็มสำหรับTrusted AI
ความทนทานของฝ่ายตรงข้ามต้องใช้วิธีการใหม่ในการผสมผสานการป้องกันเข้ากับการฝึกอบรมโครงข่ายประสาทเทียม วิธีการเหล่านี้จำเป็นต้องสร้างโมเดลที่มีทั้งความแม่นยำและแข็งแกร่ง และยังเข้ากันได้กับไปป์ไลน์การฝึกอบรมทั่วไป — ในขณะเดียวกันก็เพิ่มค่าใช้จ่ายในการโจมตีและรักษาความสามารถในการสรุปของโมเดล ในขณะที่มีความพยายามมากมายในความแข็งแกร่งสำหรับโมเดลการรู้จำภาพ การปรับปรุงความแข็งแกร่งของเครือข่ายนิวรัลที่เป็นปฏิปักษ์กับประเภทข้อมูลใหม่ เช่น ข้อมูลข้อความและกราฟต้องใช้แนวทางใหม่ ขึ้นอยู่กับรูปแบบข้อมูลและแอปพลิเคชัน ทั้งโมเดลโครงข่ายประสาทเทียมและการกระทำที่เป็นปฏิปักษ์ที่เป็นไปได้ (เช่น โมเดลภัยคุกคาม) อาจแตกต่างกันไป นักวิจัยของ IBM ได้ร่วมมือกับนักวิทยาศาสตร์จาก MIT, Northeastern University,ไอเจซีไอ 2019 .
ความแข็งแกร่งของฝ่ายตรงข้ามของกราฟโครงข่ายประสาทเทียม
ข้อมูลที่มีโครงสร้างเป็นกราฟมีบทบาทสำคัญในแอปพลิเคชัน AI จำนวนมาก เป็นวิธีที่หลากหลายในการสร้างแบบจำลองชุดข้อมูลที่หลากหลายจากหลายโดเมน เช่น โมเลกุล เครือข่ายสังคมออนไลน์ หรือเอกสารที่เชื่อมโยงกันพร้อมการอ้างอิง กราฟโครงข่ายประสาทเทียม (GNNs) ซึ่งใช้โครงข่ายประสาทเทียมเชิงลึกกับข้อมูลกราฟ ได้บรรลุประสิทธิภาพที่สำคัญสำหรับงานของการจำแนกโหนดกึ่งควบคุม อย่างไรก็ตาม แม้จะประสบความสำเร็จอย่างมากในการอนุมานจากข้อมูลกราฟ แต่การขาดความแข็งแกร่งของฝ่ายตรงข้ามในโมเดลการเรียนรู้เชิงลึกยังคงส่งผ่านไปยังโดเมนที่เกี่ยวข้องกับความปลอดภัย เช่น บล็อกเชนหรือเครือข่ายการสื่อสาร
ในงานล่าสุดของเรา “ โทโพโลยีโจมตีและป้องกันสำหรับกราฟโครงข่ายประสาทเทียม: มุมมองการเพิ่มประสิทธิภาพ” ที่ IJCAI’19 เราประเมินความแข็งแกร่งของ GNN จากมุมมองของการโจมตีแบบฝ่ายตรงข้ามการเพิ่มประสิทธิภาพลำดับแรก แตกต่างจากตัวอย่างที่เป็นปฏิปักษ์ในโดเมนรูปภาพ งานล่าสุด ชี้ให้เห็นว่าวิธีการเพิ่มประสิทธิภาพแบบต่อเนื่องอันดับหนึ่งไม่ได้นำไปใช้กับการโจมตีโดยตรงโดยใช้การปรับแต่งขอบ (กล่าวคือ การโจมตีโทโพโลยี) เนื่องจากลักษณะของกราฟที่ไม่ต่อเนื่อง เราปิดช่องว่างนี้โดยศึกษาปัญหาของการสร้างการโจมตีแบบโทโพโลยีผ่านการคลายตัวนูน เพื่อให้การโจมตีแบบปฏิปักษ์ตามการไล่ระดับสีเป็นไปได้สำหรับ GNN การเปรียบเทียบงานการจัดประเภทโหนดโดยใช้ GNN การโจมตีโทโพโลยีตามการไล่ระดับสีของเรามีประสิทธิภาพเหนือกว่าการโจมตีที่ล้ำสมัยในปัจจุบันภายใต้ข้อจำกัดการรบกวนของโทโพโลยีเดียวกัน ที่สำคัญที่สุด ด้วยความช่วยเหลือของการโจมตีตามเกรเดียนท์ที่เสนอ เราพัฒนาการฝึกอบรมปฏิปักษ์ตามการเพิ่มประสิทธิภาพครั้งแรกสำหรับ GNN วิธีการของเราให้ความทนทานสูงกว่าทั้งวิธีการโจมตีแบบไล่ระดับและแบบโลภ โดยไม่สูญเสียความแม่นยำในการจำแนกประเภทบนกราฟดั้งเดิม
การสร้างการโจมตีและวิธีการฝึกอบรมสำหรับ GNN แบบใหม่ของเราสร้างขึ้นบนพื้นฐานทางทฤษฎีของทฤษฎีกราฟสเปกตรัม การเพิ่มประสิทธิภาพลำดับแรก และการเพิ่มประสิทธิภาพที่มีประสิทธิภาพ (ต่ำสุด-สูงสุด) จากมุมมองของผู้โจมตี เราจะตรวจสอบสองสถานการณ์: a) การโจมตี GNN ที่กำหนดไว้ล่วงหน้า และ b) การโจมตี GNN ที่ฝึกซ้ำได้ สิ่งนี้ทำให้เกิดการโจมตีทอพอโลยีใหม่สองครั้ง: การโจมตีโทโพโลยีแบบไล่ระดับสีที่คาดการณ์ไว้ ( PGD ) และต่ำสุด-สูงสุดการโจมตีโทโพโลยี ในตารางที่ 1 เราเปรียบเทียบอัตราการจำแนกประเภทผิดของวิธีการของเราสี่รูปแบบ (กล่าวคือ การโจมตี PGD และขั้นต่ำสูงสุดภายใต้การสูญเสียการโจมตี CE และ CW ตามลำดับ) กับวิธีการโจมตีที่มีอยู่สามวิธี (กล่าวคือ DICE การโจมตี Meta-Self และการโจมตีแบบโลภ รูปแบบของการโจมตี Meta-Self โดยไม่มีการฝึกน้ำหนักสำหรับ GNN) เป็นที่ชัดเจนว่าวิธีการโจมตีที่เสนอมีอัตราการจำแนกผิดที่ดีที่สุดเมื่อเทียบกับแบบจำลองธรรมชาติและมีประสิทธิภาพที่แข่งขันได้แม้กระทั่งกับแบบจำลองที่ได้รับการฝึกฝนใหม่

สล็อตออนไลน์

จากมุมมองของกองหลัง เราตรวจสอบประสิทธิภาพของการฝึกปรปักษ์สำหรับ GNN ผ่านการเพิ่มประสิทธิภาพที่แข็งแกร่งโดยใช้ประโยชน์จากการโจมตีแบบโทโพโลยีลำดับที่หนึ่งที่เสนอ รูปที่ 1 แสดงให้เห็นว่าโมเดลที่ผ่านการฝึกอบรมที่แข็งแกร่งของเราสามารถให้การป้องกันแบบสากลแก่ CE-PGD, CW-PGD และการโจมตีที่โลภ
การปกป้องโครงข่ายประสาทเทียมด้วยการสลับแบบสุ่มตามลำดับชั้น
Stochastic defense เป็นสาขาหนึ่งของวิธีการป้องกันที่มุ่งปรับปรุงความแข็งแกร่งของคู่ต่อสู้ วัตถุประสงค์หลักของการป้องกันแบบสุ่มคือการแนะนำการสุ่มที่มีประโยชน์ให้กับแบบจำลองในช่วงการอนุมาน เพื่อเพิ่มความยากลำบากสำหรับผู้โจมตีในการสร้างตัวอย่างฝ่ายตรงข้ามที่หลบเลี่ยงการคาดการณ์ ตัวอย่างของการป้องกันสุ่ม ได้แก่ การเปิดใช้งานการออกกลางคันในเวลาทดสอบ และเพิ่มการรบกวนแบบเกาส์เซียนให้กับโครงข่ายประสาทเทียม (เช่น น้ำหนักแบบจำลองหรือฟังก์ชันการเปิดใช้งาน) เป็นต้น อย่างไรก็ตาม หากไม่มีการออกแบบที่เหมาะสมของการสุ่ม การป้องกันแบบสุ่มจำนวนมากถูกแสดงให้เห็นในภายหลังว่าถูกทำลายหรืออ่อนแอลงโดยการโจมตีของฝ่ายตรงข้ามขั้นสูง [7] ตัวอย่างเช่น การโจมตีแบบคาดหวังเหนือการเปลี่ยนแปลง (EOT) [8] สามารถใช้เพื่อรวมการไล่ระดับสีหลายชั้นของแบบจำลองสุ่มเพื่อประกอบการโจมตีที่แข็งแกร่งขึ้น

ในขณะที่การป้องกันหลายอย่างปรับปรุงความแข็งแกร่งของคู่ต่อสู้ในราคาที่ต่ำกว่าความแม่นยำมาตรฐาน และยังมีคำอธิบายทางเทคนิคมากมายและการค้นพบเชิงประจักษ์สำหรับสิ่งที่เรียกว่าการแลกเปลี่ยนความเที่ยงตรงที่ทนทาน เอกสาร IJCAI’19 ของเราเรื่อง “ การปกป้องเครือข่ายประสาทเทียมด้วยการสลับแบบสุ่มตามลำดับชั้น: เพื่อความทนทานที่ดีขึ้น-ความแม่นยำในการแลกเปลี่ยนสำหรับ Stochastic Defenses ” [2] มีวัตถุประสงค์เพื่อเสนอวิธีการป้องกันแบบสุ่มแบบใหม่ที่สามารถบรรลุการแลกเปลี่ยนความทนทานและความแม่นยำที่ดีขึ้น
วิธีการที่เราเสนอ ซึ่งเราเรียกว่าการสุ่มแบบลำดับชั้น (HRS) ประกอบด้วยช่องสัญญาณสุ่มสลับหลายช่องที่ได้มาจากโมเดลโครงข่ายประสาทเทียมพื้นฐาน เพื่อป้องกันคู่ต่อสู้ใช้ประโยชน์จากโครงสร้างแบบจำลองคงที่และพารามิเตอร์เพื่อจุดประสงค์ที่เป็นอันตราย ภาพประกอบที่มองเห็นได้ของการป้องกัน HRS ของเราแสดงในรูปที่ 2 โดยที่โมเดลโครงข่ายประสาทเทียมพื้นฐานถูกแบ่งออกเป็นบล็อกM แต่ละบล็อกประกอบด้วยช่องสัญญาณคู่ขนานหลายช่องที่เชื่อมต่อกันด้วยตัวสลับแบบสุ่ม
HRS มีตัวสลับที่สุ่มกำหนดอินพุตของบล็อกให้กับช่องสัญญาณคู่ขนานในช่วงเวลาทำงาน แชนเนลที่เลือกทั้งหมดจากแต่ละบล็อกประกอบเป็นเส้นทางที่ใช้งานอยู่ซึ่งมีโครงสร้างเหมือนกับโมเดลพื้นฐาน ตามสัญชาตญาณแล้ว โมเดลที่มีการป้องกัน HRS สามารถรับประกันประสิทธิภาพที่เทียบเคียงได้กับโมเดลพื้นฐาน หากเส้นทางแอ็คทีฟที่เป็นไปได้แต่ละเส้นทางทำงานได้อย่างสมบูรณ์ ในขณะที่ลักษณะการสลับแบบสุ่มจะป้องกันไม่ให้ผู้โจมตีใช้ประโยชน์จากจุดอ่อนของโครงสร้างโมเดลแบบตายตัว ด้วยรูปแบบการคุกคามแบบเดียวกัน HRS จะเพิ่มต้นทุนของผู้โจมตีเพื่อสร้างการโจมตีที่ประสบความสำเร็จ เนื่องจากลักษณะการสับเปลี่ยนแบบสุ่มจะหลีกเลี่ยงทั้งหมดเส้นทางที่เป็นไปได้ เป็นที่น่าสังเกตว่า HRS สามารถใช้งานร่วมกับไปป์ไลน์การฝึกอบรมโครงข่ายประสาทเทียมในปัจจุบันได้อย่างง่ายดาย เนื่องจากมาจากโมเดลฐานเดียว ขั้นตอนการฝึกอบรมรายละเอียดสำหรับการชมสามารถพบได้ในกระดาษ
[NPC4]การป้องกันแบบสุ่ม HRS ที่เสนอของเรามีคุณสมบัติดังต่อไปนี้:

  1. การปรับปรุงความแข็งแกร่ง-ความแม่นยำในการแลกเปลี่ยน:ภายใต้สมมติฐานด้านความทนทาน-ความแม่นยำ เราใช้คะแนนประสิทธิภาพการป้องกัน (DES) เป็นการวัดประสิทธิภาพ ซึ่งกำหนดเป็นอัตราการป้องกัน (เศษส่วนของตัวอย่างฝ่ายตรงข้ามที่จำแนกอย่างถูกต้อง) หารด้วยการทดสอบที่ลดลง ความแม่นยำ. รูปที่ 3 แสดงให้เห็นว่าในชุดข้อมูล CIFAR-10 และแบบจำลองพื้นฐานเดียวกัน วิธี HRS ของเราได้รับการปรับปรุงความทนทาน-ความแม่นยำ โดยมากกว่าวิธีป้องกันอื่นๆ อย่างน้อยสี่เท่า ซึ่งรวมถึงการป้องกันแบบสุ่มและการฝึกปรปักษ์
  2. การป้องกันแบบสุ่มที่หลากหลายและกระจายอำนาจ:เมื่อเปรียบเทียบกับวิธีการป้องกันแบบสุ่มที่แตกต่างกัน รูปที่ 4 แสดงให้เห็นว่าวิธี HRS ของเราได้รับอัตราความสำเร็จในการโจมตีที่ต่ำกว่าอย่างต่อเนื่องเมื่อเทียบกับการโจมตีของฝ่ายตรงข้ามมาตรฐาน (เช่น การโจมตีแบบเกรเดียนท์ที่คาดการณ์ไว้) และการโจมตีแบบสุ่มเพื่อตอบโต้ขั้นสูง เช่น EOT และ วิธีการสุ่มแบบคงที่ ประสิทธิภาพการป้องกันที่ปรับปรุงแล้วของเราสามารถอธิบายได้ด้วยการกระจายการไล่ระดับอินพุตที่กระจัดกระจายมากขึ้นดังแสดงในรูปที่ 5 เนื่องจาก HRS เป็นรูปแบบการสุ่มแบบกระจายอำนาจ แต่ละเส้นทางที่ใช้งานของ HRS จึงไม่มีสิทธิ์เหนือผู้อื่นเนื่องจากการสลับแบบสุ่ม ดังนั้นจึงมีความแตกต่างโดยพื้นฐานจากการป้องกันแบบสุ่ม ทำให้โมเดลฐานเป็นแบบจำลองตัวแทนจากส่วนกลาง ซึ่งอาจใช้โดยผู้โจมตีเพื่อเลี่ยงการป้องกันเหล่านี้
    การแยกความสัมพันธ์ระหว่างเหตุและผลจากข้อความเป็นภารกิจสำคัญในการค้นคว้าความรู้ โดยมีการประยุกต์ใช้มากมายในด้านการแพทย์ การเงิน การค้นพบทางวิทยาศาสตร์ และการจัดการความเสี่ยง ในการประชุมร่วมระดับนานาชาติครั้งที่ 28 ด้านปัญญาประดิษฐ์ ( IJCAI’19)เรานำเสนอผลลัพธ์ใหม่เกี่ยวกับการดึงความรู้เชิงสาเหตุจากข้อความจำนวนมากสำหรับการใช้งานในการบริหารความเสี่ยงขององค์กรในเอกสารของเรา “การตอบคำถามเชิงสาเหตุไบนารีผ่านการทำเหมืองข้อความขนาดใหญ่: การประเมินโดยใช้คู่เหตุและผลจากผู้เชี่ยวชาญของมนุษย์ ”
    ระบบใช้วิธีการใหม่ในการแยกข้อความเชิงสาเหตุโดยใช้เทคนิคเครือข่ายประสาทเทียมที่ทันสมัยเพื่อให้วิธีการตอบคำถามในรูปแบบ ” X สามารถทำให้เกิดY ได้หรือไม่” โดยที่X และY เป็นวลีที่ไม่มี ข้อจำกัดทางความหมาย
    ความรู้เชิงสาเหตุที่ดึงออกมานี้ใช้ในการสร้างแบบจำลองโดเมนสำหรับการวางแผนสถานการณ์จำลองและการสนับสนุนการตัดสินใจ งานนี้ได้รับแรงบันดาลใจจากปัญหาหลักในงานของเราเกี่ยวกับScenario Planningซึ่งผู้ใช้จำเป็นต้องจัดเตรียม “mind map” เชิงสาเหตุให้กับระบบ ซึ่งเป็นการแสดงกราฟิกของ “ไดรเวอร์” ที่สำคัญ (เหตุการณ์หรือเงื่อนไข) และอาจเชื่อมโยงเชิงสาเหตุระหว่างพวกเขา นี่เป็นงานที่ซับซ้อนซึ่งต้องใช้ความเชี่ยวชาญอย่างลึกซึ้งในโดเมนเป้าหมายและแอปพลิเคชัน และการทำซ้ำหลายครั้งซึ่งเกี่ยวข้องกับชั่วโมงของผู้เชี่ยวชาญ
    ระบบดึงข้อมูลเชิงสาเหตุของเราสามารถนำเข้าคลังข้อความขนาดใหญ่ได้ เช่น คลังบทความข่าว 180 ล้านบทความ การแยกข้อความเชิงสาเหตุ และสร้างโครงสร้างดัชนีเพื่อสนับสนุนการตอบคำถามอัตโนมัติอย่างมีประสิทธิภาพ
    เราประเมินวิธีการตอบคำถามสามประเภท:
    1) วิธีการที่อาศัยการวิเคราะห์ทางสถิติของคลังข้อมูลทั้งหมดที่ใช้เป็นวิธีการพื้นฐาน
    2) วิธีการที่อาศัยการแยกคู่เหตุและผลจากประโยคในคลังข้อมูลอินพุตและการสร้างดัชนีสำหรับการสืบค้น โดยเฉพาะอย่างยิ่ง วิธี “DCC-Embed” ของเราใช้ดัชนีความหมายของวลีทั้งหมดในคลังข้อมูลอินพุต ดัชนีนี้สร้างขึ้นโดยใช้โมเดลการฝังบนเครือข่ายประสาทเทียมที่ได้รับการฝึกฝนผ่านคลังข้อมูลอินพุต
    3) วิธีการที่อาศัยดัชนีความหมายของประโยคเชิงสาเหตุ
    วิธีการ “NLM-BERT” ใช้ Bidirectional Encoder Representations จาก Transformers (BERT) Neural Language Model เพื่อเปลี่ยนประโยคเป็นการแสดงเวกเตอร์เพื่อเปิดใช้งานการสืบค้นเชิงความหมาย วิธี DCC-Embed และ NLM-BERT ของเราแสดงให้เห็นผลลัพธ์ที่น่าพึงพอใจมากในการประเมินของเรา
    [NPC5]เราเผชิญกับความท้าทายที่สำคัญในการประเมินวิธีการตอบคำถามเชิงสาเหตุแบบไบนารีของเรา เนื่องจากเกณฑ์มาตรฐานที่มีอยู่มีข้อจำกัดหลายประการ และไม่ได้ปฏิบัติตามข้อกำหนดของแอปพลิเคชันเป้าหมายของเราในการจัดการความเสี่ยงระดับองค์กร ด้วยเหตุนี้ เราจึงพัฒนาชุดข้อมูลเปรียบเทียบใหม่สามชุดของคู่สาเหตุและผลกระทบและเผยแพร่สู่สาธารณะ ( https://doi.org/10.5281/zenodo.3214925 ) เราหวังว่าชุดข้อมูลเหล่านี้จะส่งเสริมการวิจัยเพิ่มเติมเกี่ยวกับการแยกความรู้เชิงสาเหตุและวิธีการตอบคำถามเชิงสาเหตุแบบไบนารี