論文の概要: LogicalFactChecker: Leveraging Logical Operations for Fact Checking with Graph Module Network

• arxiv url: http://arxiv.org/abs/2004.13659v1
• Date: Tue, 28 Apr 2020 17:04:19 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-08 23:09:39.307990
• Title: LogicalFactChecker: Leveraging Logical Operations for Fact Checking with Graph Module Network
• Title（参考訳）: logicalfactchecker: graph module networkによるファクトチェックのための論理操作の活用
• Authors: Wanjun Zhong, Duyu Tang, Zhangyin Feng, Nan Duan, Ming Zhou, Ming Gong, Linjun Shou, Daxin Jiang, Jiahai Wang, Jian Yin
• Abstract要約: ファクトチェックに論理演算を活用するニューラルネットワークアプローチであるLogicalFactCheckerを提案する。 大規模なベンチマークデータセットであるTABFACT上での最先端のパフォーマンスを実現している。
• 参考スコア（独自算出の注目度）: 111.24773949467567
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Verifying the correctness of a textual statement requires not only semantic reasoning about the meaning of words, but also symbolic reasoning about logical operations like count, superlative, aggregation, etc. In this work, we propose LogicalFactChecker, a neural network approach capable of leveraging logical operations for fact checking. It achieves the state-of-the-art performance on TABFACT, a large-scale, benchmark dataset built for verifying a textual statement with semi-structured tables. This is achieved by a graph module network built upon the Transformer-based architecture. With a textual statement and a table as the input, LogicalFactChecker automatically derives a program (a.k.a. logical form) of the statement in a semantic parsing manner. A heterogeneous graph is then constructed to capture not only the structures of the table and the program, but also the connections between inputs with different modalities. Such a graph reveals the related contexts of each word in the statement, the table and the program. The graph is used to obtain graph-enhanced contextual representations of words in Transformer-based architecture. After that, a program-driven module network is further introduced to exploit the hierarchical structure of the program, where semantic compositionality is dynamically modeled along the program structure with a set of function-specific modules. Ablation experiments suggest that both the heterogeneous graph and the module network are important to obtain strong results.
• Abstract（参考訳）: テキスト文の正確性を検証するには、単語の意味に関する意味的推論だけでなく、数、最上級、集約など論理演算に関する記号的推論も必要となる。 本稿では,論理演算をファクトチェックに活用可能なニューラルネットワークアプローチであるlogicalfactcheckerを提案する。 TABFACTは、半構造化テーブルでテキストステートメントを検証するために構築された大規模なベンチマークデータセットである。 これはTransformerベースのアーキテクチャ上に構築されたグラフモジュールネットワークによって実現される。 テキスト文とテーブルを入力として、論理ファクトチェッカーは自動的にその文のプログラム(すなわち論理形式)を意味解析形式で導出する。 ヘテロジニアスグラフは、テーブルとプログラムの構造だけでなく、異なるモジュラリティを持つ入力間の接続をキャプチャするために構築される。 このようなグラフは、文、表、プログラムの各単語の関連するコンテキストを明らかにする。 このグラフは、Transformerベースのアーキテクチャで単語の文脈表現をグラフ化するために使用される。 その後、プログラム駆動モジュールネットワークがさらに導入され、プログラムの階層構造を利用し、意味的構成性がプログラム構造に沿って関数固有のモジュール群で動的にモデル化される。 アブレーション実験は、不均一グラフとモジュールネットワークの両方が強い結果を得るために重要であることを示唆する。

関連論文リスト

• LOGICSEG: Parsing Visual Semantics with Neural Logic Learning and Reasoning [73.98142349171552]
  LOGICSEGは、神経誘導学習と論理推論をリッチデータとシンボリック知識の両方に統合する、全体論的視覚意味論である。 ファジィ論理に基づく連続的な緩和の間、論理式はデータとニューラルな計算グラフに基礎を置いており、論理によるネットワークトレーニングを可能にする。 これらの設計によりLOGICSEGは、既存のセグメンテーションモデルに容易に統合できる汎用的でコンパクトなニューラル論理マシンとなる。
  論文  参考訳（メタデータ） (2023-09-24T05:43:19Z)
• Modeling Hierarchical Reasoning Chains by Linking Discourse Units and Key Phrases for Reading Comprehension [80.99865844249106]
  本稿では,論理的推論の基盤として,対話レベルと単語レベルの両方の文脈を扱う総合グラフネットワーク(HGN)を提案する。 具体的には、ノードレベルの関係とタイプレベルの関係は、推論過程におけるブリッジと解釈できるが、階層的な相互作用機構によってモデル化される。
  論文  参考訳（メタデータ） (2023-06-21T07:34:27Z)
• Conversational Semantic Parsing using Dynamic Context Graphs [68.72121830563906]
  汎用知識グラフ(KG)を用いた会話意味解析の課題を,数百万のエンティティと数千のリレーショナルタイプで検討する。 ユーザ発話を実行可能な論理形式にインタラクティブにマッピングできるモデルに焦点を当てる。
  論文  参考訳（メタデータ） (2023-05-04T16:04:41Z)
• Discourse-Aware Graph Networks for Textual Logical Reasoning [142.0097357999134]
  パッセージレベルの論理関係は命題単位間の係り合いまたは矛盾を表す(例、結論文) 論理的推論QAを解くための論理構造制約モデリングを提案し、談話対応グラフネットワーク(DAGN)を導入する。 ネットワークはまず、インラインの談話接続とジェネリック論理理論を利用した論理グラフを構築し、その後、エッジ推論機構を用いて論理関係を進化させ、グラフ機能を更新することで論理表現を学習する。
  論文  参考訳（メタデータ） (2022-07-04T14:38:49Z)
• Logiformer: A Two-Branch Graph Transformer Network for Interpretable Logical Reasoning [10.716971124214332]
  テキストの論理的推論に2分岐グラフ変換器ネットワークを利用するエンドツーエンドモデルLogiformerを提案する。 テキストを2つの論理単位に分割し,それぞれ論理グラフと構文グラフを構築する。 推論プロセスは、人間の認知と整合した論理単位を用いることで解釈可能性を提供する。
  論文  参考訳（メタデータ） (2022-05-02T08:34:59Z)
• Logic-level Evidence Retrieval and Graph-based Verification Network for Table-based Fact Verification [16.30704888733592]
  表に基づく事実検証タスクを証拠検索と推論の枠組みとして定式化する。 具体的には、まず、与えられた表から論理レベルのプログラムライクなエビデンスを取得し、その表の補足的なエビデンスとして宣言する。 その後、得られたエビデンスにおけるエンティティと関数間の論理的関係を捉えるための論理レベルグラフを構築した。
  論文  参考訳（メタデータ） (2021-09-14T07:25:36Z)
• Logic-Driven Context Extension and Data Augmentation for Logical Reasoning of Text [65.24325614642223]
  論理的な記号や表現をテキストで理解し、答えにたどり着くよう提案します。 このような論理的情報に基づいて,文脈拡張フレームワークとデータ拡張アルゴリズムを提案する。 本手法は最先端の性能を実現し,論理駆動コンテキスト拡張フレームワークとデータ拡張アルゴリズムの両方が精度向上に寄与する。
  論文  参考訳（メタデータ） (2021-05-08T10:09:36Z)

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。