論文の概要: Is Graph Structure Necessary for Multi-hop Question Answering?

• arxiv url: http://arxiv.org/abs/2004.03096v2
• Date: Thu, 29 Oct 2020 09:29:19 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-15 23:38:34.325579
• Title: Is Graph Structure Necessary for Multi-hop Question Answering?
• Title（参考訳）: グラフ構造はマルチホップ質問応答に必要か?
• Authors: Nan Shao, Yiming Cui, Ting Liu, Shijin Wang, Guoping Hu
• Abstract要約: マルチホップ質問応答にグラフ構造が必要であるかを検討する。 実験と可視化分析により、グラフアテンションまたはグラフ構造全体を自己アテンションまたはトランスフォーマーに置き換えることができることを示した。
• 参考スコア（独自算出の注目度）: 34.189355591677725
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Recently, attempting to model texts as graph structure and introducing graph neural networks to deal with it has become a trend in many NLP research areas. In this paper, we investigate whether the graph structure is necessary for multi-hop question answering. Our analysis is centered on HotpotQA. We construct a strong baseline model to establish that, with the proper use of pre-trained models, graph structure may not be necessary for multi-hop question answering. We point out that both graph structure and adjacency matrix are task-related prior knowledge, and graph-attention can be considered as a special case of self-attention. Experiments and visualized analysis demonstrate that graph-attention or the entire graph structure can be replaced by self-attention or Transformers.
• Abstract（参考訳）: 近年,多くのNLP研究分野において,テキストをグラフ構造としてモデル化し,グラフニューラルネットワークを導入しようとしている。 本稿では,マルチホップ質問応答にグラフ構造が必要であるかを検討する。 分析はHotpotQAを中心に行われる。 我々は,事前学習モデルの適切な利用により,複数質問応答にグラフ構造が不要であることを示すために,強固なベースラインモデルを構築した。 グラフ構造と隣接行列はともにタスク関連の事前知識であり,グラフアテンションは自己アテンションの特別な場合と考えることができる。 実験と可視化分析により、グラフアテンションまたはグラフ構造全体を自己アテンションまたはトランスフォーマーに置き換えることができることを示した。

関連論文リスト

• Parametric Graph Representations in the Era of Foundation Models: A Survey and Position [69.48708136448694]
  グラフは、包括的なリレーショナルデータをモデル化するために、過去数十年間、ビッグデータとAIで広く使われてきた。 有意義なグラフ法則の同定は、様々な応用の有効性を著しく向上させることができる。
  論文  参考訳（メタデータ） (2024-10-16T00:01:31Z)
• G-Retriever: Retrieval-Augmented Generation for Textual Graph Understanding and Question Answering [61.93058781222079]
  現実のテキストグラフを対象とするフレキシブルな問合せフレームワークを開発した。 一般のテキストグラフに対する最初の検索拡張生成(RAG)手法を提案する。 G-Retrieverは、このタスクをSteiner Tree最適化問題として定式化し、グラフ上でRAGを実行する。
  論文  参考訳（メタデータ） (2024-02-12T13:13:04Z)
• GraphGLOW: Universal and Generalizable Structure Learning for Graph Neural Networks [72.01829954658889]
  本稿では,この新たな問題設定の数学的定義を紹介する。 一つのグラフ共有構造学習者と複数のグラフ固有GNNを協調する一般的なフレームワークを考案する。 十分に訓練された構造学習者は、微調整なしで、目に見えない対象グラフの適応的な構造を直接生成することができる。
  論文  参考訳（メタデータ） (2023-06-20T03:33:22Z)
• Towards Graph-hop Retrieval and Reasoning in Complex Question Answering over Textual Database [15.837457557803507]
  Graph-Hopは、複雑な質問応答における新しいマルチチェーンとマルチホップ検索および推論パラダイムである。 我々はReasonGraphQAと呼ばれる新しいベンチマークを構築し、複雑な問題に対して明確できめ細かいエビデンスグラフを提供する。
  論文  参考訳（メタデータ） (2023-05-23T16:28:42Z)
• State of the Art and Potentialities of Graph-level Learning [54.68482109186052]
  グラフレベルの学習は、比較、回帰、分類など、多くのタスクに適用されている。 グラフの集合を学習する伝統的なアプローチは、サブストラクチャのような手作りの特徴に依存している。 ディープラーニングは、機能を自動的に抽出し、グラフを低次元表現に符号化することで、グラフレベルの学習をグラフの規模に適応させるのに役立っている。
  論文  参考訳（メタデータ） (2023-01-14T09:15:49Z)
• From Shallow to Deep: Compositional Reasoning over Graphs for Visual Question Answering [3.7094119304085584]
  イメージと外部知識に作曲的推論を必要とする深い問いに答えることを学ぶことが不可欠である。 階層型グラフニューラルモジュールネットワーク(HGNMN)を提案する。 我々のモデルは、グラフ上の特定の機能を実行するよく設計されたニューラルネットワークモジュールで構成されている。
  論文  参考訳（メタデータ） (2022-06-25T02:20:02Z)
• Graph2Graph Learning with Conditional Autoregressive Models [8.203106789678397]
  グラフ・ツー・グラフ学習のための条件付きオートレアモデルを提案する。 本稿では,グラフアルゴリズムの挑戦的部分グラフ予測実験を通じて,その表現能力について述べる。
  論文  参考訳（メタデータ） (2021-06-06T20:28:07Z)
• ExplaGraphs: An Explanation Graph Generation Task for Structured Commonsense Reasoning [65.15423587105472]
  スタンス予測のための説明グラフ生成の新しい生成および構造化コモンセンスリゾニングタスク(および関連するデータセット)を紹介します。 具体的には、信念と議論が与えられた場合、モデルは、議論が信念を支持しているかどうかを予測し、予測されたスタンスに対する非自明で完全で曖昧な説明として機能する常識強化グラフを生成する必要がある。 グラフの83%は、様々な構造と推論深度を持つ外部のコモンセンスノードを含んでいる。
  論文  参考訳（メタデータ） (2021-04-15T17:51:36Z)
• GraphOpt: Learning Optimization Models of Graph Formation [72.75384705298303]
  本稿では,グラフ構造形成の暗黙的モデルを学ぶエンドツーエンドフレームワークを提案し,その基盤となる最適化機構を明らかにする。 学習した目的は、観測されたグラフプロパティの説明として機能し、ドメイン内の異なるグラフを渡すために自分自身を貸すことができる。 GraphOptは、グラフ内のリンク生成をシーケンシャルな意思決定プロセスとして、最大エントロピー逆強化学習アルゴリズムを用いて解決する。
  論文  参考訳（メタデータ） (2020-07-07T16:51:39Z)
• The Power of Graph Convolutional Networks to Distinguish Random Graph Models: Short Version [27.544219236164764]
  グラフ畳み込みネットワーク(GCN)はグラフ表現学習において広く使われている手法である。 サンプルグラフの埋め込みに基づいて異なるランダムグラフモデルを区別するGCNのパワーについて検討する。
  論文  参考訳（メタデータ） (2020-02-13T17:58:42Z)

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。