論文の概要: Knowledge-guided Open Attribute Value Extraction with Reinforcement Learning

• arxiv url: http://arxiv.org/abs/2010.09189v1
• Date: Mon, 19 Oct 2020 03:28:27 GMT
• ステータス: 翻訳完了
• システム内更新日: 2022-10-05 22:25:26.605553
• Title: Knowledge-guided Open Attribute Value Extraction with Reinforcement Learning
• Title（参考訳）: 強化学習による知識誘導オープン属性値抽出
• Authors: Ye Liu, Sheng Zhang, Rui Song, Suo Feng, Yanghua Xiao
• Abstract要約: オープン属性値抽出のための知識誘導強化学習(RL)フレームワークを提案する。 我々は,抽出した回答を逐次比較し,抽出精度を向上させるために,深層Qネットワークを訓練した。 その結果,本手法はベースラインを16.5～27.8%上回ることがわかった。
• 参考スコア（独自算出の注目度）: 23.125544502927482
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Open attribute value extraction for emerging entities is an important but challenging task. A lot of previous works formulate the problem as a \textit{question-answering} (QA) task. While the collections of articles from web corpus provide updated information about the emerging entities, the retrieved texts can be noisy, irrelevant, thus leading to inaccurate answers. Effectively filtering out noisy articles as well as bad answers is the key to improving extraction accuracy. Knowledge graph (KG), which contains rich, well organized information about entities, provides a good resource to address the challenge. In this work, we propose a knowledge-guided reinforcement learning (RL) framework for open attribute value extraction. Informed by relevant knowledge in KG, we trained a deep Q-network to sequentially compare extracted answers to improve extraction accuracy. The proposed framework is applicable to different information extraction system. Our experimental results show that our method outperforms the baselines by 16.5 - 27.8\%.
• Abstract（参考訳）: 新興エンティティに対するオープン属性値抽出は重要な課題だが難しい課題である。 以前の多くの研究は、問題をtextit{question-Awering} (QA) タスクとして定式化している。 ウェブコーパスからの記事の収集は、新しいエンティティに関する更新情報を提供するが、検索されたテキストはノイズがあり、無関係であり、不正確な回答をもたらす。 ノイズの多い記事や悪い回答を効果的にフィルタリングすることは、抽出精度を向上させる鍵となる。 知識グラフ(KG)は、エンティティについて豊富に整理された情報を含み、その課題に対処するための優れたリソースを提供する。 本研究では,オープン属性値抽出のための知識誘導型強化学習(RL)フレームワークを提案する。 kgにおける関連する知識から,抽出された回答を逐次比較して抽出精度を向上させるために,深いqネットワークを訓練した。 提案手法は異なる情報抽出システムに適用可能である。 実験の結果,本手法はベースラインを16.5～27.8\%上回った。

関連論文リスト

• OpenDecoder: Open Large Language Model Decoding to Incorporate Document Quality in RAG [32.31189584872992]
  一般に、検索された情報は、その質問に関連していると仮定される。 回答生成における検索情報の関連性を考慮することが重要である。 我々は,検索した情報の明示的な評価を,生成のための品質指標として活用する新しい手法であるOpenDecoderを提案する。
  論文  参考訳（メタデータ） (2026-01-13T23:26:30Z)
• An Index-based Approach for Efficient and Effective Web Content Extraction [38.40209116782093]
  索引に基づくWebコンテンツ抽出について紹介する。 我々はHTMLを構造対応のアドレス可能なセグメントに分割し、あるクエリに関連するコンテンツの位置インデックスのみを抽出する。 本手法は、コンテンツ長からの抽出遅延を分離し、高速なクエリ関連抽出を可能にする。
  論文  参考訳（メタデータ） (2025-12-07T03:18:19Z)
• ReAG: Reasoning-Augmented Generation for Knowledge-based Visual Question Answering [54.72902502486611]
  ReAG(Reasoning-Augmented Multimodal RAG)は、粗い部分ときめ細かい部分の検索と、無関係な通路をフィルタリングする批評家モデルを組み合わせた手法である。 ReAGは従来の手法よりも優れており、解答精度が向上し、検索された証拠に根ざした解釈可能な推論を提供する。
  論文  参考訳（メタデータ） (2025-11-27T19:01:02Z)
• Query Decomposition for RAG: Balancing Exploration-Exploitation [83.79639293409802]
  RAGシステムは複雑なユーザ要求に対処し、それらをサブクエリに分解し、それぞれに関連する可能性のあるドキュメントを取得し、それを集約して回答を生成する。 クエリの分解とドキュメントの検索をエクスプロレーション探索設定で定式化し、一度に1つのドキュメントを検索すると、与えられたサブクエリの有用性についての信念が構築される。 我々の主な発見は、ランク情報と人的判断を用いた文書関連性の推定により、文書レベルの精度が35%向上し、α-nDCGが15%向上し、長文生成の下流タスクの性能が向上するということである。
  論文  参考訳（メタデータ） (2025-10-21T13:37:11Z)
• Knowledge-based Visual Question Answer with Multimodal Processing, Retrieval and Filtering [55.49652734090316]
  知識に基づく視覚的質問応答(KB-VQA)は、視覚的理解と外部知識検索を統合するために視覚言語モデル(VLM)を必要とする。 本稿では,処理,検索,フィルタリングといった3段階の手法をWiki-PRFと呼ぶ。 ベンチマークデータセット(E-VQAとInfoSeek)の実験では、回答の品質が大幅に向上し、最先端のパフォーマンスが達成された。
  論文  参考訳（メタデータ） (2025-10-16T12:10:00Z)
• SKILL-RAG: Self-Knowledge Induced Learning and Filtering for Retrieval-Augmented Generation [0.0]
  Retrieval-Augmented Generation (RAG)は、大規模言語モデル(LLM)の性能を大幅に改善した。 そこで本研究では,SKILL-RAGを提案する。SKILL-RAGは,モデルの自己知識を利用して,検索した文書が与えられたクエリに応答するのに有効であるかどうかを判断する手法である。 実験結果から,SKILL-RAGは生成品質を向上するだけでなく,入力文書数を大幅に削減することがわかった。
  論文  参考訳（メタデータ） (2025-09-20T11:02:06Z)
• Question-Aware Knowledge Graph Prompting for Enhancing Large Language Models [51.47994645529258]
  本稿では,問合せをGNNアグリゲーションに組み込んでKG関連性を動的に評価するQAP(QA-Aware Knowledge Graph Prompting)を提案する。 実験の結果、QAPは複数のデータセットで最先端の手法よりも優れており、その有効性を強調している。
  論文  参考訳（メタデータ） (2025-03-30T17:09:11Z)
• Harnessing Large Language Models for Knowledge Graph Question Answering via Adaptive Multi-Aspect Retrieval-Augmentation [81.18701211912779]
  本稿では,KG(Amar)フレームワーク上での適応型マルチアスペクト検索手法を提案する。 この方法は、エンティティ、リレーション、サブグラフを含む知識を検索し、検索した各テキストを即時埋め込みに変換する。 提案手法は2つの共通データセットに対して最先端の性能を達成した。
  論文  参考訳（メタデータ） (2024-12-24T16:38:04Z)
• Context Filtering with Reward Modeling in Question Answering [7.668954669688971]
  Reward Modelingを通して重要コンテンツを要約し、非重要詳細を除去するコンテキストフィルタリング手法を導入する。 EMパートークン(EPT)の6.8倍の増大により,本手法がベースラインを大幅に上回ることを示す。
  論文  参考訳（メタデータ） (2024-12-16T12:29:24Z)
• Retriever-and-Memory: Towards Adaptive Note-Enhanced Retrieval-Augmented Generation [72.70046559930555]
  本稿では,複雑なQAタスクに対する適応ノート拡張RAG(Adaptive Note-Enhanced RAG)と呼ばれる汎用RAGアプローチを提案する。 具体的には、Adaptive-Noteは、知識の成長に関する包括的な視点を導入し、ノート形式で新しい情報を反復的に収集する。 さらに,適切な知識探索を促進するために,適応的な音符ベースの停止探索戦略を用いて,「何を検索し,いつ停止するか」を判断する。
  論文  参考訳（メタデータ） (2024-10-11T14:03:29Z)
• EWEK-QA: Enhanced Web and Efficient Knowledge Graph Retrieval for Citation-based Question Answering Systems [103.91826112815384]
  引用ベースのQAシステムは2つの欠点に悩まされている。 彼らは通常、抽出された知識の源としてWebにのみ依存し、外部の知識ソースを追加することで、システムの効率を損なう。 システムに供給された知識の内容を充実させるため,Web と 効率的な知識グラフ (KG) 検索ソリューション (EWEK-QA) を提案する。
  論文  参考訳（メタデータ） (2024-06-14T19:40:38Z)
• Assessing the quality of information extraction [0.0]
  本稿では,情報抽出/検索の質と完全性を評価するための自動フレームワークを提案する。 本稿では,大規模言語モデルの入力/出力サイズ制限をどう処理し,その性能を解析するかを論じる。
  論文  参考訳（メタデータ） (2024-04-05T12:51:48Z)
• Revisiting Sparse Retrieval for Few-shot Entity Linking [33.15662306409253]
  本稿では,ELECTRAに基づくキーワード抽出手法を提案する。 抽出器のトレーニングには,参照コンテキストとエンティティ記述との間に重複するトークンをベースとしたトレーニングデータを自動的に生成する遠隔監視手法を提案する。 ZESHELデータセットによる実験結果から,提案手法はすべてのテスト領域において,最先端モデルよりも優れた性能を示した。
  論文  参考訳（メタデータ） (2023-10-19T03:51:10Z)
• 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)
• Knowledge-Enhanced Relation Extraction Dataset [8.612433805862619]
  現在、知識強化関係抽出のための証拠文と知識グラフの両方を含む公開データセットは存在しない。 知識強化関係抽出データセット(KERED)について紹介する。 KEREDは各文にリレーショナルな事実を付加し、エンティティリンクを通じてエンティティの知識コンテキストを提供する。
  論文  参考訳（メタデータ） (2022-10-19T13:23:10Z)
• A Unified End-to-End Retriever-Reader Framework for Knowledge-based VQA [67.75989848202343]
  本稿では,知識に基づくVQAに向けて,エンド・ツー・エンドのレトリバー・リーダー・フレームワークを提案する。 我々は、視覚言語による事前学習モデルからの多モーダルな暗黙の知識に光を当て、知識推論の可能性を掘り下げた。 提案手法では,知識検索のガイダンスを提供するだけでなく,質問応答に対してエラーが発生しやすいケースも排除できる。
  論文  参考訳（メタデータ） (2022-06-30T02:35:04Z)
• BertNet: Harvesting Knowledge Graphs with Arbitrary Relations from Pretrained Language Models [65.51390418485207]
  本稿では,事前学習したLMから任意の関係を持つ大規模KGを抽出する手法を提案する。 関係定義の最小限の入力により、アプローチは膨大な実体対空間を効率的に探索し、多様な正確な知識を抽出する。 我々は、異なるLMから400以上の新しい関係を持つKGを収穫するためのアプローチを展開している。
  論文  参考訳（メタデータ） (2022-06-28T19:46:29Z)
• Enhanced Language Representation with Label Knowledge for Span Extraction [2.4909170697740963]
  ラベル知識を統合するための新しいパラダイムを導入し、ラベル知識をテキスト表現に明示的にかつ効率的に統合する新しいモデルを提案する。 具体的には、テキストとラベルアノテーションを独立してエンコードし、ラベル知識をテキスト表現と精巧に設計されたセマンティックス融合モジュールに統合する。 我々は,フラットNER,ネストNER,イベント検出の3つの典型的なスパン抽出タスクについて広範な実験を行った。 提案手法は4つのベンチマークで最先端性能を実現し,2)QA形式化パラダイムと比較して,トレーニング時間と推論時間を平均で76%,77%削減する。
  論文  参考訳（メタデータ） (2021-11-01T12:21:05Z)
• BERTese: Learning to Speak to BERT [50.76152500085082]
  本論文では,より良い知識抽出に向けて直接最適化されたパラフレーズクエリ"BERTese"に自動書き換える手法を提案する。 私たちのアプローチが競合するベースラインを上回ることを実証的に示し、複雑なパイプラインの必要性を回避します。
  論文  参考訳（メタデータ） (2021-03-09T10:17:22Z)

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。