論文の概要: CURIE: An Iterative Querying Approach for Reasoning About Situations

• arxiv url: http://arxiv.org/abs/2104.00814v1
• Date: Thu, 1 Apr 2021 23:51:33 GMT
• ステータス: 処理完了
• システム内更新日: 2021-04-05 13:55:50.971126
• Title: CURIE: An Iterative Querying Approach for Reasoning About Situations
• Title（参考訳）: curie:状況に関する推論のための反復クエリアプローチ
• Authors: Dheeraj Rajagopal, Aman Madaan, Niket Tandon, Yiming Yang, Shrimai Prabhumoye, Abhilasha Ravichander, Peter Clark, Eduard Hovy
• Abstract要約: 自然言語クエリを用いた構造化状況グラフ(st-graph)において,関連する結果のグラフを微調整言語モデル(M)上で明示的に構築する方法を提案する。 CURIEが生成するstグラフは、生成した状況グラフで入力を強化するだけで、状況推論最終タスク(WIQA-QA)を3ポイント精度で改善できることを示しています。
• 参考スコア（独自算出の注目度）: 36.2000733486444
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Recently, models have been shown to predict the effects of unexpected situations, e.g., would cloudy skies help or hinder plant growth? Given a context, the goal of such situational reasoning is to elicit the consequences of a new situation (st) that arises in that context. We propose a method to iteratively build a graph of relevant consequences explicitly in a structured situational graph (st-graph) using natural language queries over a finetuned language model (M). Across multiple domains, CURIE generates st-graphs that humans find relevant and meaningful in eliciting the consequences of a new situation. We show that st-graphs generated by CURIE improve a situational reasoning end task (WIQA-QA) by 3 points on accuracy by simply augmenting their input with our generated situational graphs, especially for a hard subset that requires background knowledge and multi-hop reasoning.
• Abstract（参考訳）: 近年、雲空が植物の成長を阻害するなど、予期せぬ状況の影響を予測するモデルが示されている。 文脈が与えられた場合、そのような状況推論の目標は、その文脈で生じる新しい状況(st)の結果を引き出すことである。 本稿では,自然言語クエリを用いた構造的状況グラフ(st-graph)において,微調整言語モデル(m)上で,関連する結果のグラフを反復的に構築する手法を提案する。 複数のドメインにまたがって、curieはstグラフを生成し、人間が新しい状況の結果を引き出すのに有意義な意味を見出す。 特に背景知識とマルチホップ推論を必要とするハードサブセットにおいて,curieが生成したst-graphは,入力を生成した状況グラフで単純に強化することにより,状況推論終了タスク(wiqa-qa)の精度を3ポイント向上させる。

関連論文リスト

• Explanation Graph Generation via Generative Pre-training over Synthetic Graphs [6.25568933262682]
  説明グラフの生成は,ユーザの入力に応じて説明グラフを作成することを目的とした重要なタスクである。 現在の研究では、ラベル付きグラフで注釈付けされた小さな下流データセット上で、テキストベースの事前学習言語モデルを微調整するのが一般的である。 本稿では,説明グラフ生成タスクのための新しい事前学習フレームワークEG3Pを提案する。
  論文  参考訳（メタデータ） (2023-06-01T13:20:22Z)
• A Causal Framework to Quantify the Robustness of Mathematical Reasoning with Language Models [81.15974174627785]
  入力空間における直接的介入に対する頑健さと感度の観点から言語モデルの振舞いについて検討する。 しかし, GPT-3 Davinciモデル(175B)は, 他のGPTモデルと比較して, 頑健さと感度の両面で劇的な改善を実現している。
  論文  参考訳（メタデータ） (2022-10-21T15:12:37Z)
• CLEAR: Generative Counterfactual Explanations on Graphs [60.30009215290265]
  グラフ上での対実的説明生成の問題について検討する。 グラフに関する反実的な説明を調査する研究はいくつかあるが、この問題の多くの課題はまだ十分に適応されていない。 本稿では,グラフレベルの予測モデルに対して,グラフ上の反実的説明を生成するための新しいフレームワークCLEARを提案する。
  論文  参考訳（メタデータ） (2022-10-16T04:35:32Z)
• Explanation Graph Generation via Pre-trained Language Models: An Empirical Study with Contrastive Learning [84.35102534158621]
  エンドツーエンドで説明グラフを生成する事前学習言語モデルについて検討する。 本稿では,ノードとエッジの編集操作によるグラフ摂動の簡易かつ効果的な方法を提案する。 提案手法は,説明グラフの構造的精度と意味的精度を両立させる。
  論文  参考訳（メタデータ） (2022-04-11T00:58:27Z)
• OrphicX: A Causality-Inspired Latent Variable Model for Interpreting Graph Neural Networks [42.539085765796976]
  本稿では、グラフニューラルネットワーク(GNN)の因果説明を生成するための新しいeXplanationフレームワークOrphicXを提案する。 本研究では, 個別な生成モデルを構築し, 因果的, コンパクト, 忠実な説明を生成モデルに推奨する目的関数を設計する。 OrphicXは因果的説明を生成するための因果的意味論を効果的に識別できることを示す。
  論文  参考訳（メタデータ） (2022-03-29T03:08:33Z)
• Deconfounding to Explanation Evaluation in Graph Neural Networks [136.73451468551656]
  我々は、全グラフと部分グラフの間に分布シフトが存在し、分布外問題を引き起こすと論じる。 本稿では,モデル予測に対する説明文の因果効果を評価するために,Decon founded Subgraph Evaluation (DSE)を提案する。
  論文  参考訳（メタデータ） (2022-01-21T18:05:00Z)
• ExplaGraphs: An Explanation Graph Generation Task for Structured Commonsense Reasoning [65.15423587105472]
  スタンス予測のための説明グラフ生成の新しい生成および構造化コモンセンスリゾニングタスク(および関連するデータセット)を紹介します。 具体的には、信念と議論が与えられた場合、モデルは、議論が信念を支持しているかどうかを予測し、予測されたスタンスに対する非自明で完全で曖昧な説明として機能する常識強化グラフを生成する必要がある。 グラフの83%は、様々な構造と推論深度を持つ外部のコモンセンスノードを含んでいる。
  論文  参考訳（メタデータ） (2021-04-15T17:51:36Z)
• Reinforcement Learning of Causal Variables Using Mediation Analysis [0.15229257192293197]
  本稿では,環境の因果グラフ構築に経験を用いた総合強化学習エージェントを構築することの問題点について考察する。 提案手法は,グリッド環境下で有効な因果グラフを学習し,因果情報を利用した場合の性能向上を図っている。
  論文  参考訳（メタデータ） (2020-10-29T16:45:31Z)

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。