論文の概要: Connecting the Dots: A Knowledgeable Path Generator for Commonsense Question Answering

• arxiv url: http://arxiv.org/abs/2005.00691v2
• Date: Sat, 19 Sep 2020 16:38:45 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-07 11:39:50.298813
• Title: Connecting the Dots: A Knowledgeable Path Generator for Commonsense Question Answering
• Title（参考訳）: ドットをつなぐ:コモンセンス質問応答のための知識可能なパス生成器
• Authors: Peifeng Wang, Nanyun Peng, Filip Ilievski, Pedro Szekely, Xiang Ren
• Abstract要約: 本稿では、一般的な共通センスQAフレームワークを、知識のあるパスジェネレータで拡張する。 KGの既存のパスを最先端の言語モデルで外挿することで、ジェネレータはテキスト内のエンティティのペアを動的で、潜在的に新しいマルチホップリレーショナルパスに接続することを学びます。
• 参考スコア（独自算出の注目度）: 50.72473345911147
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Commonsense question answering (QA) requires background knowledge which is not explicitly stated in a given context. Prior works use commonsense knowledge graphs (KGs) to obtain this knowledge for reasoning. However, relying entirely on these KGs may not suffice, considering their limited coverage and the contextual dependence of their knowledge. In this paper, we augment a general commonsense QA framework with a knowledgeable path generator. By extrapolating over existing paths in a KG with a state-of-the-art language model, our generator learns to connect a pair of entities in text with a dynamic, and potentially novel, multi-hop relational path. Such paths can provide structured evidence for solving commonsense questions without fine-tuning the path generator. Experiments on two datasets show the superiority of our method over previous works which fully rely on knowledge from KGs (with up to 6% improvement in accuracy), across various amounts of training data. Further evaluation suggests that the generated paths are typically interpretable, novel, and relevant to the task.
• Abstract（参考訳）: commonsense question answering (qa) は、与えられた文脈で明示的に記述されていない背景知識を必要とする。 先行研究では、この知識を推論するためにコモンセンス知識グラフ(KG)を使用していた。 しかし、これらのkgに完全に依存することは、その範囲と知識の文脈依存を考慮すると十分ではないかもしれない。 本稿では,一般的な共通センスQAフレームワークを知識のある経路生成器で拡張する。 kg内の既存のパスを最先端言語モデルで推定することで、テキスト中の2つのエンティティを動的かつ潜在的に新しいマルチホップ関係パスと接続することを学びます。 このようなパスは、パスジェネレータを微調整することなく、常識的な問題を解くための構造化された証拠を提供することができる。 2つのデータセットにおける実験は、さまざまなトレーニングデータに対して、kgs(最大6%の精度向上)からの知識を十分に依存する、以前の作業よりも優れた方法を示している。 さらに評価すると、生成されたパスは一般的に解釈可能で、新規であり、そのタスクに関連があることが示唆される。

関連論文リスト

• DisentQA: Disentangling Parametric and Contextual Knowledge with Counterfactual Question Answering [34.70206857546496]
  質問応答モデルは通常、推論時間中に「知識」の2つのソースにアクセスする。 答えが与えられた非パラメトリック知識に由来するかどうかは不明である。 本稿では,2つの知識源を解き放つために,QAモデルを訓練する新たなパラダイムを提案する。
  論文  参考訳（メタデータ） (2022-11-10T15:34:44Z)
• Deep Bidirectional Language-Knowledge Graph Pretraining [159.9645181522436]
  DRAGONは、テキストとKGを大規模に融合した言語知識基盤モデルを事前学習するための自己教師型アプローチである。 我々のモデルは、入力としてテキストセグメントと関連するKGサブグラフのペアを取り、両モードから情報を双方向に融合する。
  論文  参考訳（メタデータ） (2022-10-17T18:02:52Z)
• Flexible and Structured Knowledge Grounded Question Answering [0.23068481501673416]
  本稿では,知識に基づく質問応答の柔軟性,範囲の広さ,構造的推論に言語と知識を活用することを提案する。 具体的には,動的ホップを用いて関連するコンテキストを検索する知識構築手法を考案する。 そして、言語と知識の間のボトルネックを交換する情報を橋渡しする深層融合機構を考案する。
  論文  参考訳（メタデータ） (2022-09-17T08:48:50Z)
• Exploiting Hybrid Semantics of Relation Paths for Multi-hop Question Answering Over Knowledge Graphs [31.088325888508137]
  本稿では、関係経路のハイブリッドセマンティクスを利用してマルチホップKGQAを改善することを提案する。 関係経路の明示的なテキスト情報と暗黙的なKG構造を,新規な回転・スケールのエンティティリンク予測フレームワークに基づいて統合する。
  論文  参考訳（メタデータ） (2022-09-02T08:07:37Z)
• BertNet: Harvesting Knowledge Graphs from Pretrained Language Models [72.9006637247241]
  シンボリック・ナレッジグラフ(KG)は、高価なクラウドソーシングやドメイン固有の複雑な情報抽出パイプラインによって構築されている。 ニューラルLMの柔軟性と拡張性によって強化された自動KG構築のための新しいフレームワークを提案する。 我々は、多様な LM から、よりリッチなコモンセンス関係を含む新しい KG の族を導出する。
  論文  参考訳（メタデータ） (2022-06-28T19:46:29Z)
• TegTok: Augmenting Text Generation via Task-specific and Open-world Knowledge [83.55215993730326]
  本稿では,タスク固有およびオープンワールド知識(TegTok)によるTExt生成の統一化を提案する。 本モデルでは,2種類の知識ソースからの知識エントリを高密度検索により選択し,それぞれ入力エンコーディングと出力デコーディングの段階に注入する。
  論文  参考訳（メタデータ） (2022-03-16T10:37:59Z)
• CO-NNECT: A Framework for Revealing Commonsense Knowledge Paths as Explicitations of Implicit Knowledge in Texts [12.94206336329289]
  我々は常識知識を知識パスとして活用し,文間の接続を確立する。 これらの接続は直接 (singlehop path) または中間概念 (multihop path) を必要とする。
  論文  参考訳（メタデータ） (2021-05-07T10:43:43Z)
• KRISP: Integrating Implicit and Symbolic Knowledge for Open-Domain Knowledge-Based VQA [107.7091094498848]
  VQAの最も難しい質問の1つは、質問に答えるために画像に存在しない外部の知識を必要とする場合です。 本研究では,解答に必要な知識が与えられたり記入されたりしないオープンドメイン知識を,トレーニング時やテスト時にも検討する。 知識表現と推論には2つのタイプがあります。 まず、トランスベースのモデルで教師なし言語事前トレーニングと教師付きトレーニングデータから効果的に学ぶことができる暗黙的な知識。
  論文  参考訳（メタデータ） (2020-12-20T20:13:02Z)
• Knowledge-Routed Visual Question Reasoning: Challenges for Deep Representation Embedding [140.5911760063681]
  VQAモデル評価のためのナレッジルーティング視覚質問推論という新しいデータセットを提案する。 視覚ゲノムシーングラフと外部知識ベースの両方に基づいて,制御プログラムを用いて質問応答対を生成する。
  論文  参考訳（メタデータ） (2020-12-14T00:33:44Z)

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。