論文の概要: A Heterogeneous Graph with Factual, Temporal and Logical Knowledge for Question Answering Over Dynamic Contexts

• arxiv url: http://arxiv.org/abs/2004.12057v1
• Date: Sat, 25 Apr 2020 04:53:54 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-09 21:42:48.714852
• Title: A Heterogeneous Graph with Factual, Temporal and Logical Knowledge for Question Answering Over Dynamic Contexts
• Title（参考訳）: 動的文脈に対する質問応答のための実・時間・論理的知識をもつ異種グラフ
• Authors: Wanjun Zhong, Duyu Tang, Nan Duan, Ming Zhou, Jiahai Wang, Jian Yin
• Abstract要約: 動的テキスト環境における質問応答について検討する。 構築したグラフ上にグラフニューラルネットワークを構築し,エンドツーエンドでモデルをトレーニングする。
• 参考スコア（独自算出の注目度）: 81.4757750425247
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We study question answering over a dynamic textual environment. Although neural network models achieve impressive accuracy via learning from input-output examples, they rarely leverage various types of knowledge and are generally not interpretable. In this work, we propose a graph-based approach, where a heterogeneous graph is automatically built with factual knowledge of the context, temporal knowledge of the past states, and logical knowledge that combines human-curated knowledge bases and rule bases. We develop a graph neural network over the constructed graph, and train the model in an end-to-end manner. Experimental results on a benchmark dataset show that the injection of various types of knowledge improves a strong neural network baseline. An additional benefit of our approach is that the graph itself naturally serves as a rational behind the decision making.
• Abstract（参考訳）: 動的テキスト環境における質問応答について検討する。 ニューラルネットワークモデルは入力出力の例から学習することで印象的な精度を達成するが、様々な種類の知識を活用することは稀であり、一般的には解釈できない。 本研究では,コンテキストの事実知識,過去の状態の時間的知識,および人間が作成した知識ベースとルールベースを組み合わせた論理知識を用いて,不均質なグラフを自動構築するグラフベースアプローチを提案する。 構築したグラフ上にグラフニューラルネットワークを開発し,エンドツーエンドでモデルをトレーニングする。 ベンチマークデータセットの実験的結果は、様々なタイプの知識の注入が強力なニューラルネットワークベースラインを改善することを示している。 このアプローチのさらなるメリットは、グラフ自体が意思決定の背後にある合理的な役割を果たすことです。

関連論文リスト

• Intrinsically motivated graph exploration using network theories of human curiosity [71.2717061477241]
  本稿では,人間の好奇心の2つの理論によるグラフ構造化データの探索手法を提案する。 提案した特徴を,グラフニューラルネットワークに基づく強化学習の報奨として利用する。
  論文  参考訳（メタデータ） (2023-07-11T01:52:08Z)
• Probing Graph Representations [77.7361299039905]
  グラフ表現でキャプチャされた意味のある情報の量を定量化するために、探索フレームワークを使用します。 本研究は, グラフモデルにおける帰納的バイアスを理解するための探索の可能性を示すものである。 グラフベースモデルを評価する上で有用な診断ツールとして,探索を提唱する。
  論文  参考訳（メタデータ） (2023-03-07T14:58:18Z)
• A Theory of Link Prediction via Relational Weisfeiler-Leman on Knowledge Graphs [6.379544211152605]
  グラフニューラルネットワークは、グラフ構造化データ上での表現学習のための顕著なモデルである。 私たちの目標は、知識グラフのためのグラフニューラルネットワークのランドスケープを体系的に理解することです。
  論文  参考訳（メタデータ） (2023-02-04T17:40:03Z)
• 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)
• Relational representation learning with spike trains [0.0]
  本稿では,スパイクパターンの時間領域を完全に活用することで,知識グラフのスパイクトレインによる埋め込みを学習できるモデルを提案する。 以上の結果から,リレーショナル知識をスパイクベースシステムに統合することで,イベントベースコンピューティングとデータをマージして,パワフルでエネルギー効率の高い人工知能アプリケーションや推論システムを構築する可能性を明らかにする。
  論文  参考訳（メタデータ） (2022-05-18T18:00:37Z)
• Learning to Evolve on Dynamic Graphs [5.1521870302904125]
  Learning to Evolve on Dynamic Graphs (LEDG)は、グラフ情報と時間情報を共同で学習する新しいアルゴリズムである。 LEDGはモデルに依存しないため、動的グラフ上でメッセージパッシングベースのグラフニューラルネットワーク(GNN)をトレーニングすることができる。
  論文  参考訳（メタデータ） (2021-11-13T04:09:30Z)
• Learning through structure: towards deep neuromorphic knowledge graph embeddings [0.5906031288935515]
  本稿では,知識グラフ推論のための深層グラフ学習アーキテクチャをニューロモルフィックアーキテクチャにマッピングする戦略を提案する。 ランダムかつ未学習のグラフニューラルネットワークが局所的なグラフ構造を保存することができるという知見に基づいて、凍結したニューラルネットワークの浅い知識グラフ埋め込みモデルを構成する。 我々は,従来型のハードウェア上では,性能水準を維持しながら,高速化とメモリの大幅な削減を実現していることを示す。
  論文  参考訳（メタデータ） (2021-09-21T18:01:04Z)
• Towards Deeper Graph Neural Networks [63.46470695525957]
  グラフ畳み込みは近傍の集約を行い、最も重要なグラフ操作の1つである。 いくつかの最近の研究で、この性能劣化は過度に滑らかな問題に起因している。 本研究では,大きな受容領域からの情報を適応的に組み込むディープ適応グラフニューラルネットワーク(DAGNN)を提案する。
  論文  参考訳（メタデータ） (2020-07-18T01:11:14Z)
• Graph Structure of Neural Networks [104.33754950606298]
  ニューラルネットワークのグラフ構造が予測性能にどのように影響するかを示す。 リレーショナルグラフの"スイートスポット"は、予測性能を大幅に改善したニューラルネットワークにつながる。 トップパフォーマンスニューラルネットワークは、実際の生物学的ニューラルネットワークと驚くほどよく似たグラフ構造を持つ。
  論文  参考訳（メタデータ） (2020-07-13T17:59:31Z)

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。