論文の概要: Knowledge Graph Simple Question Answering for Unseen Domains

• arxiv url: http://arxiv.org/abs/2005.12040v1
• Date: Mon, 25 May 2020 11:34:54 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-29 05:57:26.175081
• Title: Knowledge Graph Simple Question Answering for Unseen Domains
• Title（参考訳）: 未知領域に対する知識グラフ簡易解答法
• Authors: Georgios Sidiropoulos, Nikos Voskarides and Evangelos Kanoulas
• Abstract要約: 我々は新しいドメインに適用可能なデータ中心のドメイン適応フレームワークを提案する。 遠方からの監視を用いて、未確認領域のそれぞれの関係を表すキーワードの集合を抽出する。 我々のフレームワークはゼロショットベースラインを大幅に改善し、ドメイン間で堅牢です。
• 参考スコア（独自算出の注目度）: 9.263766921991452
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Knowledge graph simple question answering (KGSQA), in its standard form, does not take into account that human-curated question answering training data only cover a small subset of the relations that exist in a Knowledge Graph (KG), or even worse, that new domains covering unseen and rather different to existing domains relations are added to the KG. In this work, we study KGSQA in a previously unstudied setting where new, unseen domains are added during test time. In this setting, question-answer pairs of the new domain do not appear during training, thus making the task more challenging. We propose a data-centric domain adaptation framework that consists of a KGSQA system that is applicable to new domains, and a sequence to sequence question generation method that automatically generates question-answer pairs for the new domain. Since the effectiveness of question generation for KGSQA can be restricted by the limited lexical variety of the generated questions, we use distant supervision to extract a set of keywords that express each relation of the unseen domain and incorporate those in the question generation method. Experimental results demonstrate that our framework significantly improves over zero-shot baselines and is robust across domains.
• Abstract（参考訳）: 知識グラフ 単純質問応答(kgsqa) 標準的な形式では、人間による質問応答のトレーニングデータには、知識グラフ(kg)に存在する関係のごく一部、あるいはさらに悪いことに、既存のドメインとあまり異なる新しい領域がkgに追加されていることを考慮に入れていない。 本研究では,テスト期間中に新しい未知のドメインが追加される,未検討の環境でKGSQAを研究する。 この設定では、新しいドメインの質問応答ペアはトレーニング中に現れないので、タスクをより難しくする。 本稿では、新しいドメインに適用可能なKGSQAシステムと、新しいドメインに対する質問対を自動的に生成するシーケンスからシーケンスへの質問生成方法からなる、データ中心のドメイン適応フレームワークを提案する。 kgsqaに対する質問生成の有効性は、生成した質問の限定語彙の多様性によって制限されるため、遠隔監視を用いて、未知ドメインの各関係を表現し、質問生成法にそれらを取り込むキーワード群を抽出する。 実験の結果,本フレームワークはゼロショットベースラインよりも大幅に改善され,ドメイン間で堅牢であることがわかった。

関連論文リスト

• QA Domain Adaptation using Hidden Space Augmentation and Self-Supervised Contrastive Adaptation [24.39026345750824]
  質問応答(QA)は、最近、カスタマイズされたドメインからの質問に答えるための印象的な結果を示している。 しかし、一般的な課題は、QAモデルを目に見えないターゲットドメインに適応させることである。 我々はQAドメイン適応のためのQADAと呼ばれる新しい自己教師型フレームワークを提案する。
  論文  参考訳（メタデータ） (2022-10-19T19:52:57Z)
• Domain Adaptation for Question Answering via Question Classification [8.828396559882954]
  質問回答のための質問分類(QC4QA)という新しい枠組みを提案する。 最適化のために、ソースとターゲットドメイン間のドメイン間不一致を最大平均不一致(MMD)距離で低減する。 提案したQC4QAの有効性を,複数のデータセットの最先端ベースラインに対して一貫した改善により示す。
  論文  参考訳（メタデータ） (2022-09-12T03:12:02Z)
• Multifaceted Improvements for Conversational Open-Domain Question Answering [54.913313912927045]
  対話型オープンドメイン質問回答(MICQA)のための多面的改善フレームワークを提案する。 第一に、提案したKL分割に基づく正規化は、検索と解答のためのより良い質問理解をもたらすことができる。 第二に、追加されたポストランカモジュールは、より関連性の高いパスをトップにプッシュし、2アスペクトの制約で読者に選択できる。 第3に、十分に設計されたカリキュラム学習戦略は、訓練と推論の黄金の通路設定のギャップを効果的に狭め、黄金の通路支援なしで真の答えを見つけることを奨励する。
  論文  参考訳（メタデータ） (2022-04-01T07:54:27Z)
• Relation-Guided Pre-Training for Open-Domain Question Answering [67.86958978322188]
  複雑なオープンドメイン問題を解決するためのRGPT-QA(Relation-Guided Pre-Training)フレームワークを提案する。 RGPT-QAは, 自然質問, TriviaQA, WebQuestionsにおいて, Exact Matchの精度が2.2%, 2.4%, 6.3%向上したことを示す。
  論文  参考訳（メタデータ） (2021-09-21T17:59:31Z)
• Contrastive Domain Adaptation for Question Answering using Limited Text Corpora [20.116147632481983]
  本稿では,QAに対するコントラッシブ・ドメイン適応という,ドメイン適応のための新しいフレームワークを提案する。 特に、CAQAは、質問生成とドメイン不変学習の技法を組み合わせて、限られたテキストコーパスでドメイン外質問に答える。
  論文  参考訳（メタデータ） (2021-08-31T14:05:55Z)
• Cross-Domain Generalization Through Memorization: A Study of Nearest Neighbors in Neural Duplicate Question Detection [72.01292864036087]
  重複質問検出(DQD)は,コミュニティの効率向上と自動質問応答システムの実現に重要である。 我々は、DQDのクロスドメイン一般化のために、ニューラル表現を活用し、近接する隣人を研究する。 StackExchange、Spring、Quoraの各データセットの異なるクロスドメインシナリオにおいて、このメソッドの堅牢なパフォーマンスを観察します。
  論文  参考訳（メタデータ） (2020-11-22T19:19:33Z)
• A Survey on Complex Question Answering over Knowledge Base: Recent Advances and Challenges [71.4531144086568]
  知識ベース(KB)に対する質問回答(QA)は、自然言語の質問に自動的に答えることを目的としている。 研究者は、よりKBのトリプルと制約推論を必要とする単純な質問から複雑な質問へと注意を移した。
  論文  参考訳（メタデータ） (2020-07-26T07:13:32Z)
• ClarQ: A large-scale and diverse dataset for Clarification Question Generation [67.1162903046619]
  そこで我々は,スタックエクスチェンジから抽出したポストコメンデーションに基づいて,多様な,大規模な明確化質問データセットの作成を支援する,新しいブートストラップフレームワークを考案した。 質問応答の下流タスクに適用することで,新たに作成したデータセットの有用性を定量的に示す。 我々はこのデータセットを公開し、ダイアログと質問応答システムの拡張という大きな目標を掲げて、質問生成の分野の研究を促進する。
  論文  参考訳（メタデータ） (2020-06-10T17:56:50Z)
• AmbigQA: Answering Ambiguous Open-domain Questions [99.59747941602684]
  我々はAmbigQAを紹介した。AmbigQAは、あらゆる可能な答えを見つけることを含む、新しいオープンドメインの質問応答タスクである。 この課題を研究するために,NQ-openから14,042質問をカバーしたデータセットAmbigNQを構築した。 NQオープンの質問の半数以上が曖昧で、イベントやエンティティ参照といった曖昧さの源泉が多様であることがわかった。
  論文  参考訳（メタデータ） (2020-04-22T15:42:13Z)

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。