論文の概要: Commonsense Evidence Generation and Injection in Reading Comprehension

• arxiv url: http://arxiv.org/abs/2005.05240v1
• Date: Mon, 11 May 2020 16:31:08 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-04 19:26:23.635420
• Title: Commonsense Evidence Generation and Injection in Reading Comprehension
• Title（参考訳）: 読書理解における常識エビデンス生成と注入
• Authors: Ye Liu, Tao Yang, Zeyu You, Wei Fan and Philip S. Yu
• Abstract要約: 本稿では,CEGI と命名された理解を読み取るためのコモンセンス・エビデンス・ジェネレーション・インジェクション・フレームワークを提案する。 この枠組みは、2種類の補助的コモンセンス証拠を包括的読解に注入し、機械に合理的思考能力を持たせる。 CosmosQAデータセットの実験では、提案されたCEGIモデルが現在の最先端アプローチよりも優れていることが示された。
• 参考スコア（独自算出の注目度）: 57.31927095547153
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Human tackle reading comprehension not only based on the given context itself but often rely on the commonsense beyond. To empower the machine with commonsense reasoning, in this paper, we propose a Commonsense Evidence Generation and Injection framework in reading comprehension, named CEGI. The framework injects two kinds of auxiliary commonsense evidence into comprehensive reading to equip the machine with the ability of rational thinking. Specifically, we build two evidence generators: the first generator aims to generate textual evidence via a language model; the other generator aims to extract factual evidence (automatically aligned text-triples) from a commonsense knowledge graph after graph completion. Those evidences incorporate contextual commonsense and serve as the additional inputs to the model. Thereafter, we propose a deep contextual encoder to extract semantic relationships among the paragraph, question, option, and evidence. Finally, we employ a capsule network to extract different linguistic units (word and phrase) from the relations, and dynamically predict the optimal option based on the extracted units. Experiments on the CosmosQA dataset demonstrate that the proposed CEGI model outperforms the current state-of-the-art approaches and achieves the accuracy (83.6%) on the leaderboard.
• Abstract（参考訳）: 人間の取り組んだ理解は、与えられた文脈自体に基づくだけでなく、しばしば、それ以上の常識に依存している。 本稿では,コモンセンス推論による機械の学習を支援するために,CEGI という単語を読み取るためのCommonsense Evidence Generation and Injection フレームワークを提案する。 このフレームワークは、2種類の補助的な常識証拠を包括的な読み出しに注入し、機械に合理的な思考能力を持たせる。 第一のジェネレータは言語モデルを通じてテキスト証拠を生成することを目的としており、もう一方のジェネレータはグラフ補完後のコモンセンス知識グラフから事実証拠(自動的にアレンジされたテキストトリプル)を抽出することを目的としています。 これらの証拠にはコンテクスト・コモンセンスが組み込まれており、モデルへの追加入力として機能する。 その後,段落,質問,選択肢,証拠間の意味関係を抽出する深層文脈エンコーダを提案する。 最後に、カプセルネットワークを用いて関係から異なる言語単位(単語と句)を抽出し、抽出した単位に基づいて最適な選択肢を動的に予測する。 CosmosQAデータセットの実験では、提案されたCEGIモデルは現在の最先端のアプローチよりも優れており、リーダーボード上の精度(83.6%)が達成されている。

関連論文リスト

• Enriching Relation Extraction with OpenIE [70.52564277675056]
  関係抽出(RE)は情報抽出(IE)のサブ分野である 本稿では,オープン情報抽出(OpenIE)の最近の取り組みがREの課題の改善にどのように役立つかを検討する。 本稿では,2つの注釈付きコーパスであるKnowledgeNetとFewRelを用いた実験により,拡張モデルの精度向上を実証した。
  論文  参考訳（メタデータ） (2022-12-19T11:26:23Z)
• Lexically-constrained Text Generation through Commonsense Knowledge Extraction and Injection [62.071938098215085]
  我々は、ある入力概念のセットに対して妥当な文を生成することを目的としているcommongenベンチマークに焦点を当てる。 生成したテキストの意味的正しさを高めるための戦略を提案する。
  論文  参考訳（メタデータ） (2020-12-19T23:23:40Z)
• Entity and Evidence Guided Relation Extraction for DocRED [33.69481141963074]
  この課題に対して,共同トレーニングフレームワークE2GRE(Entity and Evidence Guided Relation extract)を提案する。 事前訓練された言語モデル(例えばBERT, RoBERTa)への入力としてエンティティ誘導シーケンスを導入する。 これらのエンティティ誘導シーケンスは、事前訓練された言語モデル(LM)がエンティティに関連するドキュメントの領域に集中するのに役立ちます。 我々は最近リリースされた関係抽出のための大規模データセットDocREDに対するE2GREアプローチを評価した。
  論文  参考訳（メタデータ） (2020-08-27T17:41:23Z)
• Evidence-Aware Inferential Text Generation with Vector Quantised Variational AutoEncoder [104.25716317141321]
  本稿では,大規模なテキストコーパスからイベントの証拠を自動的に発見し,その証拠を利用して推論テキストの生成を導く手法を提案する。 このアプローチは、Event2MindとATOMICの両方のデータセットで最先端のパフォーマンスを提供します。
  論文  参考訳（メタデータ） (2020-06-15T02:59:52Z)
• Leveraging Declarative Knowledge in Text and First-Order Logic for Fine-Grained Propaganda Detection [139.3415751957195]
  本稿では,ニュース記事中のプロパガンダ的テキスト断片の検出について検討する。 本稿では,詳細なプロパガンダ手法の宣言的知識を注入する手法を提案する。
  論文  参考訳（メタデータ） (2020-04-29T13:46:15Z)
• Exploring Explainable Selection to Control Abstractive Summarization [51.74889133688111]
  説明可能性を重視した新しいフレームワークを開発する。 新しいペアワイズ行列は、文の相互作用、中心性、属性スコアをキャプチャする。 コンストラクタ内の文分割アテンション機構は、最終要約が所望のコンテンツを強調することを保証する。
  論文  参考訳（メタデータ） (2020-04-24T14:39:34Z)

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。