論文の概要: SQuARE: Semantics-based Question Answering and Reasoning Engine

• arxiv url: http://arxiv.org/abs/2009.10239v1
• Date: Tue, 22 Sep 2020 00:48:18 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-15 21:42:19.991778
• Title: SQuARE: Semantics-based Question Answering and Reasoning Engine
• Title（参考訳）: SQuARE: セマンティックスに基づく質問応答と推論エンジン
• Authors: Kinjal Basu, Sarat Chandra Varanasi, Farhad Shakerin, Gopal Gupta
• Abstract要約: 自然言語QAのための汎用意味論に基づくフレームワークを提案する。 また、このフレームワークの応用であるSQuAREシステムについても述べる。 SQuAREは、テストした5つのデータセットすべてに対して100%の精度を実現します。
• 参考スコア（独自算出の注目度）: 9.902883278247726
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Understanding the meaning of a text is a fundamental challenge of natural language understanding (NLU) and from its early days, it has received significant attention through question answering (QA) tasks. We introduce a general semantics-based framework for natural language QA and also describe the SQuARE system, an application of this framework. The framework is based on the denotational semantics approach widely used in programming language research. In our framework, valuation function maps syntax tree of the text to its commonsense meaning represented using basic knowledge primitives (the semantic algebra) coded using answer set programming (ASP). We illustrate an application of this framework by using VerbNet primitives as our semantic algebra and a novel algorithm based on partial tree matching that generates an answer set program that represents the knowledge in the text. A question posed against that text is converted into an ASP query using the same framework and executed using the s(CASP) goal-directed ASP system. Our approach is based purely on (commonsense) reasoning. SQuARE achieves 100% accuracy on all the five datasets of bAbI QA tasks that we have tested. The significance of our work is that, unlike other machine learning based approaches, ours is based on "understanding" the text and does not require any training. SQuARE can also generate an explanation for an answer while maintaining high accuracy.
• Abstract（参考訳）: テキストの意味を理解することは自然言語理解(NLU)の根本的な課題であり、初期から質問応答(QA)タスクを通じて大きな注目を集めてきた。 本稿では,自然言語QAのための汎用意味論に基づくフレームワークを紹介し,その応用であるSQuAREシステムについても述べる。 このフレームワークは、プログラミング言語の研究で広く使われている表記意味論のアプローチに基づいている。 我々のフレームワークでは、評価関数はテキストの構文木を、基本知識プリミティブ(意味代数学)で表現され、解集合プログラミング(asp)でコード化された共通意味にマッピングする。 本稿では,本フレームワークのセマンティック代数としてのVerbNetプリミティブと,テキストの知識を表現した解集合プログラムを生成する部分木マッチングに基づく新しいアルゴリズムによる応用について述べる。 そのテキストに対する質問は、同じフレームワークを使用してASPクエリに変換し、s(CASP)ゴール指向のASPシステムを使用して実行される。 我々のアプローチは純粋に(常識的な)推論に基づいている。 SQuAREは、テストした5つのbAbIQAタスクのすべてのデータセットに対して100%の精度を達成する。 私たちの研究の意義は、他の機械学習ベースのアプローチと異なり、テキストの“理解”に基づいており、トレーニングを必要としないことです。 SQuAREはまた、高い精度を維持しながら、回答の説明を生成することができる。

関連論文リスト

• A Knowledge-Injected Curriculum Pretraining Framework for Question Answering [70.13026036388794]
  本稿では,知識に基づく質問応答タスクの総合的なKG学習と活用を実現するための一般知識注入型カリキュラム事前学習フレームワーク(KICP)を提案する。 KIモジュールはまずKG中心の事前学習コーパスを生成してLMに知識を注入し、プロセスを3つの重要なステップに一般化する。 KAモジュールは、アダプタを備えたLMで生成されたコーパスから知識を学習し、元の自然言語理解能力を維持できる。 CRモジュールは人間の推論パターンに従って3つのコーパスを構築する。
  論文  参考訳（メタデータ） (2024-03-11T03:42:03Z)
• HPE:Answering Complex Questions over Text by Hybrid Question Parsing and Execution [92.69684305578957]
  テキストQAにおける質問解析と実行の枠組みを提案する。 提案したフレームワークは、トップダウンの質問パースとして、ボトムアップの回答バックトラックとみなすことができる。 MuSiQue,2WikiQA,HotpotQA,およびNQに関する実験により,提案した解析およびハイブリッド実行フレームワークが,教師付き,少数ショット,ゼロショット設定における既存のアプローチより優れていることを示す。
  論文  参考訳（メタデータ） (2023-05-12T22:37:06Z)
• DecAF: Joint Decoding of Answers and Logical Forms for Question Answering over Knowledge Bases [81.19499764899359]
  本稿では,論理形式と直解の両方を共同で生成する新しいフレームワークDecAFを提案する。 DecAFはWebQSP、FreebaseQA、GrailQAベンチマークで新しい最先端の精度を実現している。
  論文  参考訳（メタデータ） (2022-09-30T19:51:52Z)
• elBERto: Self-supervised Commonsense Learning for Question Answering [131.51059870970616]
  本稿では、市販QAモデルアーキテクチャと互換性のあるコモンセンスフレームワークの自己教師型双方向表現学習を提案する。 このフレームワークは5つの自己教師型タスクから構成されており、リッチコモンセンスを含むコンテキストから追加のトレーニング信号を完全に活用するようモデルに強制する。 elBERtoは、単純な語彙的類似性比較が役に立たないような、アウト・オブ・パラグラフや非エフェクトな問題に対して、大幅に改善されている。
  論文  参考訳（メタデータ） (2022-03-17T16:23:45Z)
• An ASP-based Approach to Answering Natural Language Questions for Texts [8.417188296231059]
  本稿では,自然言語テキストから生成した知識を表現するために,応答集合プログラミング(ASP)に基づく手法を提案する。 ASP.NETは、自動質問応答、テキスト要約、自動質問生成など、多くの自然言語タスクを容易にする。 本稿では,英語テキストの自然言語質問に回答するタスクを自動化するために開発したCASPRシステムについて述べる。
  論文  参考訳（メタデータ） (2021-12-21T14:13:06Z)
• Open Domain Question Answering over Virtual Documents: A Unified Approach for Data and Text [62.489652395307914]
  我々は、知識集約型アプリケーションのための構造化知識を符号化する手段として、Data-to-text法、すなわち、オープンドメイン質問応答(QA)を用いる。 具体的には、ウィキペディアとウィキソースの3つのテーブルを付加知識源として使用する、データとテキスト上でのオープンドメインQAのための冗長化-レトリバー・リーダー・フレームワークを提案する。 UDT-QA(Unified Data and Text QA)は,知識インデックスの拡大を効果的に活用できることを示す。
  論文  参考訳（メタデータ） (2021-10-16T00:11:21Z)
• Knowledge-driven Natural Language Understanding of English Text and its Applications [8.417188296231059]
  英文を対象とした知識駆動型意味表現手法を提案する。 SQuARE (Semantic-based Question Answering and Reasoning Engine) と StaCACK (Stateful Conversational Agent using Commonsense Knowledge) の2つのNLUアプリケーションを提案する。
  論文  参考訳（メタデータ） (2021-01-27T22:02:50Z)
• Question Answering over Knowledge Bases by Leveraging Semantic Parsing and Neuro-Symbolic Reasoning [73.00049753292316]
  本稿では,意味解析と推論に基づくニューロシンボリック質問回答システムを提案する。 NSQAはQALD-9とLC-QuAD 1.0で最先端のパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2020-12-03T05:17:55Z)

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。