論文の概要: Joint Reasoning for Multi-Faceted Commonsense Knowledge

• arxiv url: http://arxiv.org/abs/2001.04170v2
• Date: Mon, 4 May 2020 20:58:16 GMT
• ステータス: 処理完了
• システム内更新日: 2023-01-11 22:30:52.430264
• Title: Joint Reasoning for Multi-Faceted Commonsense Knowledge
• Title（参考訳）: 多面コモンセンス知識のための共同推論
• Authors: Yohan Chalier, Simon Razniewski, and Gerhard Weikum
• Abstract要約: Commonsense Knowledge(CSK)は、視覚的理解からチャットボットまで、さまざまなAIアプリケーションをサポートする。 CSKの買収に関する以前の研究は、日常的なオブジェクトやアクティビティのような概念と、概念のほとんどまたは一部のインスタンスを保持するプロパティを関連付けるステートメントをまとめたものだった。 本稿では,CSK文の多面的モデルと,関連文の集合に対する共同推論手法を提案する。
• 参考スコア（独自算出の注目度）: 28.856786775318486
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Commonsense knowledge (CSK) supports a variety of AI applications, from visual understanding to chatbots. Prior works on acquiring CSK, such as ConceptNet, have compiled statements that associate concepts, like everyday objects or activities, with properties that hold for most or some instances of the concept. Each concept is treated in isolation from other concepts, and the only quantitative measure (or ranking) of properties is a confidence score that the statement is valid. This paper aims to overcome these limitations by introducing a multi-faceted model of CSK statements and methods for joint reasoning over sets of inter-related statements. Our model captures four different dimensions of CSK statements: plausibility, typicality, remarkability and salience, with scoring and ranking along each dimension. For example, hyenas drinking water is typical but not salient, whereas hyenas eating carcasses is salient. For reasoning and ranking, we develop a method with soft constraints, to couple the inference over concepts that are related in in a taxonomic hierarchy. The reasoning is cast into an integer linear programming (ILP), and we leverage the theory of reduction costs of a relaxed LP to compute informative rankings. This methodology is applied to several large CSK collections. Our evaluation shows that we can consolidate these inputs into much cleaner and more expressive knowledge. Results are available at https://dice.mpi-inf.mpg.de.
• Abstract（参考訳）: Commonsense Knowledge(CSK)は、視覚的理解からチャットボットまで、さまざまなAIアプリケーションをサポートする。 以前はConceptNetのようなCSKの取得に関する作業は、日常的なオブジェクトやアクティビティのような概念と、概念のほとんどまたは一部のインスタンスを保持するプロパティを関連付けるステートメントをコンパイルしていた。 それぞれの概念は他の概念とは独立に扱われ、性質の量的尺度(またはランク付け)は、その主張が妥当である信頼スコアである。 本稿では,CSK文の多面的モデルを導入し,それらの制約を克服することを目的としている。 我々のモデルはCSKステートメントの4つの異なる次元を捉えている。 例えば、ヒエナの飲料水は典型的であるが、サラエントではない。 推論とランク付けのために,分類学的階層に関係のある概念に対する推論を補うために,ソフト制約のある手法を開発した。 この推論は整数線形計画 (ilp) にキャストされ、リラックスしたlpの削減コストの理論を利用して情報的ランキングを計算する。 この手法はいくつかの大規模なCSKコレクションに適用される。 我々の評価は、これらの入力をよりクリーンで表現力のある知識に統合できることを示しています。 結果はhttps://dice.mpi-inf.mpg.deで入手できる。

関連論文リスト

• CAR: Conceptualization-Augmented Reasoner for Zero-Shot Commonsense Question Answering [56.592385613002584]
  ゼロショットコモンセンス質問応答の課題に対処するために,概念化強化推論器(CAR)を提案する。 CARは、CommonSenseの知識を多くの高レベルなインスタンスに抽象化し、CommonSenseの知識ベースの範囲を拡大する。 CARは、既存のメソッドよりも、ゼロショットのコモンセンスシナリオに関する質問に答えることにより、より堅牢に一般化する。
  論文  参考訳（メタデータ） (2023-05-24T08:21:31Z)
• Extracting Cultural Commonsense Knowledge at Scale [28.856786775318486]
  CANDLEは、高品質な文化的常識知識を大規模に抽出するためのエンドツーエンドの方法論である。 3つの領域(地理学、宗教、職業)といくつかの文化的側面の集合体にアサーションをまとめる。 分類に基づくフィルタリングと面白さのスコア付けのための司法手法を含む。
  論文  参考訳（メタデータ） (2022-10-14T12:53:57Z)
• Learn to Explain: Multimodal Reasoning via Thought Chains for Science Question Answering [124.16250115608604]
  本稿では,SQA(Science Question Answering)について紹介する。SQA(Science Question Answering)は,21万のマルチモーダルな複数選択質問と多様な科学トピックと,それに対応する講義や説明による回答の注釈からなる新しいベンチマークである。 また,SQAでは,数ショットのGPT-3では1.20%,微調整のUnifiedQAでは3.99%の改善が見られた。 我々の分析は、人間に似た言語モデルは、より少ないデータから学習し、わずか40%のデータで同じパフォーマンスを達成するのに、説明の恩恵を受けることを示している。
  論文  参考訳（メタデータ） (2022-09-20T07:04:24Z)
• Refined Commonsense Knowledge from Large-Scale Web Contents [24.10708502359049]
  概念とその特性に関する常識知識(CSK)は、AIアプリケーションに有用である。 本稿では,CSKアサーションの大規模知識ベース(KB)を自動構築するASCENT++を提案する。
  論文  参考訳（メタデータ） (2021-11-30T20:26:09Z)
• Entity Concept-enhanced Few-shot Relation Extraction [35.10974511223129]
  長尾分布問題において,FSRE (Few-shot relation extract) が重要である。 ほとんどの既存のFSREアルゴリズムは、認識されたエンティティペアと共に文の情報に基づいて関係を正確に分類することができない。 本稿では,エンティティ固有の概念を導入し,関係予測の手がかりを提供する,エンティティ強化型FEw-shot Relation extract scheme(ConceptFERE)を提案する。
  論文  参考訳（メタデータ） (2021-06-04T10:36:49Z)
• Search Methods for Sufficient, Socially-Aligned Feature Importance Explanations with In-Distribution Counterfactuals [72.00815192668193]
  特徴重要度(FI)推定は一般的な説明形式であり、テスト時に特定の入力特徴を除去することによって生じるモデル信頼度の変化を計算し、評価することが一般的である。 FIに基づく説明の未探索次元についていくつかの考察を行い、この説明形式に対する概念的および実証的な改善を提供する。
  論文  参考訳（メタデータ） (2021-06-01T20:36:48Z)
• Causal Expectation-Maximisation [70.45873402967297]
  ポリツリーグラフを特徴とするモデルにおいても因果推論はNPハードであることを示す。 我々は因果EMアルゴリズムを導入し、分類的表現変数のデータから潜伏変数の不確かさを再構築する。 我々は、反事実境界が構造方程式の知識なしにしばしば計算できるというトレンドのアイデアには、目立たずの制限があるように思える。
  論文  参考訳（メタデータ） (2020-11-04T10:25:13Z)
• Advanced Semantics for Commonsense Knowledge Extraction [32.43213645631101]
  概念とその特性に関する常識知識(CSK)は、堅牢なチャットボットのようなAIアプリケーションに有用である。 本稿では,CSKアサーションの大規模知識ベース(KB)を自動構築するAscentという手法を提案する。 Ascent は部分群とアスペクトで合成概念をキャプチャし、セマンティック・ファセットでアサーションを精製することで三重項を超えていく。
  論文  参考訳（メタデータ） (2020-11-02T11:37:17Z)
• Counterfactual Variable Control for Robust and Interpretable Question Answering [57.25261576239862]
  ディープニューラルネットワークに基づく質問応答(QA)モデルは、多くの場合、堅牢でも説明もできない。 本稿では、因果推論を用いてQAモデルのこのような突発的な「能力」を検証する。 本稿では,任意のショートカット相関を明示的に緩和する,CVC(Counterfactual Variable Control)という新しい手法を提案する。
  論文  参考訳（メタデータ） (2020-10-12T10:09:05Z)
• Long-Tailed Classification by Keeping the Good and Removing the Bad Momentum Causal Effect [95.37587481952487]
  長い尾の分類は、大規模なディープラーニングの鍵である。 既存の手法は主に、基本的な理論を欠いた再重み付け/再サンプリングに基づいている。 本稿では,従来の手法の理由を解明するだけでなく,新たな原理的解を導出する因果推論の枠組みを確立する。
  論文  参考訳（メタデータ） (2020-09-28T00:32:11Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。