Search

Extractive question answering is a popular domain in the field of natural language processing, where machine learning models are tasked with answering questions given a context. Historically the field has been centered on monolingual models, but recently more and more multilingual models have been developed, such as Google’s MT5 [1]. Because of this, machine translations of English have been used when training and evaluating these models, but machine translations can be degraded and do not always reflect their target language fairly. This report investigates if complementary information stored in other languages can improve monolingual QA performance for languages where only machine translations are available. It also investigates if exposure to more languages can improve zero-shot cross-lingual QA performance (i.e. when the question and answer do not have matching languages) by providing complementary information. We fine-tune 3 different MT5 models on QA datasets consisting of machine translations, as well as one model on the datasets together in combination with 3 other datasets that are not translations. We then evaluate the different models on the MLQA and XQuAD datasets. The results show that for 2 out of the 3 languages evaluated, complementary information stored in other languages had a positive effect on the QA performance of the MT5. For zero-shot cross-lingual QA, the complementary information offered by the fused model lead to improved performance compared to 2/3 of the MT5 models trained only on translated data, indicating that complementary information from other languages do not offer any improvement in this regard., Frågebesvaring (QA) är en populär domän inom naturlig språkbehandling, där maskininlärningsmodeller har till uppgift att svara på frågor. Historiskt har fältet varit inriktat på enspråkiga modeller, men nyligen har fler och fler flerspråkiga modeller utvecklats, till exempel Googles MT5 [1]. På grund av detta har maskinöversättningar av engelska använts vid träning och utvärdering av dessa modeller, men maskinöversättningar kan vara försämrade och speglar inte alltid deras målspråk rättvist. Denna rapport undersöker om kompletterande information som lagras i andra språk kan förbättra enspråkig QA-prestanda för språk där endast maskinöversättningar är tillgängliga. Den undersöker också om exponering för fler språk kan förbättra QA-prestanda på zero-shot cross-lingual QA (dvs. där frågan och svaret inte har matchande språk) genom att tillhandahålla kompletterande information. Vi finjusterar 3 olika modeller på QA-datamängder som består av maskinöversättningar, samt en modell på datamängderna tillsammans i kombination med 3 andra datamängder som inte är översättningar. Vi utvärderar sedan de olika modellerna på MLQA- och XQuAD-datauppsättningarna. Resultaten visar att för 2 av de 3 utvärderade språken hade kompletterande information som lagrats i andra språk en positiv effekt på QA-prestanda. För zero-shot cross-lingual QA leder den kompletterande informationen som erbjuds av den sammansmälta modellen till förbättrad prestanda jämfört med 2/3 av modellerna som tränats endast på översättningar, vilket indikerar att kompletterande information från andra språk inte ger någon förbättring i detta avseende.

Smart contracts are a new form of contracts that handle transactions of economical value between users on a network, without the need for a middle man. This is possible as the integrity of the transactions are ensured using Blockchain technology. However, safe transactions are not always a guarantee as secure smart contracts can be difficult to write. Security vulnerabilities in smart contracts can be exploited and result in great financial losses for contract users. In this report we examine how interference can be counteracted in transactions involving smart contracts. This is to ensure that assets of economical value do not run the risk of disappearing and that the flow of information between smart contracts remains truthful. The term "interference" is coined precisely in relation to smart contracts. Moreover, two different solutions for two interference problems are examined, which mainly involve locking the access to certain functions for specific contracts so that no modification of the state of one contract can take place until a transaction is finished. The methods for counteracting interference in the transactions work, but the solutions are adapted to the specific pr blems and do not serve as a "general" solution to the problem of interference., Smarta kontrakt är en ny form av kontrakt som används för att utfärda ekonomiska transaktioner utan någon mellanman eftersom att transaktionernas integritet säkerställs med hjälp av Blockchain-teknologi. Detta säkerställer dock inte alltid säkra transaktioner eftersom det kan vara svårt att skriva säkra smarta kontrakt. Säkerhetsproblem i smarta kontrakt kan utnyttjas och orsaka stora ekonomiska förluster för kontraktanvändarna. I denna rapport undersöker vi hur störningar kan motverkas i transaktioner som involverar sådana smarta kontrakt. Detta för säkerställa att tillgångar av ekonomiskt värde inte riskerar att försvinna och att informationsflödet mellan smarta kontrakt förblir sanningsenligt. Termen störningdefinieras precist i förhållande till smarta kontrakt. Därefter undersöks två olika lösningar till de olika störningsproblemen, som huvudsakligen involverar att låsa tillgången till vissa funktioner för vissa kontrakt så att ingen modifikation av tillstånd kan ske tills dess att transaktionerna avslutats. Metoderna för att motverka störningar i transaktionerna fungerar men dessa lösningar är anpassade till de specifika prob emen och fungerade inte som en allmän lösning på störningsproblematiken.