論文の概要: Case-based Reasoning for Natural Language Queries over Knowledge Bases
- arxiv url: http://arxiv.org/abs/2104.08762v1
- Date: Sun, 18 Apr 2021 07:50:31 GMT
- ステータス: 処理完了
- システム内更新日: 2021-04-20 14:48:34.556870
- Title: Case-based Reasoning for Natural Language Queries over Knowledge Bases
- Title（参考訳）: 知識ベースによる自然言語クエリのケースベース推論
- Authors: Rajarshi Das, Manzil Zaheer, Dung Thai, Ameya Godbole, Ethan Perez,
Jay-Yoon Lee, Lizhen Tan, Lazaros Polymenakos, Andrew McCallum
- Abstract要約: 本稿では,大きな知識ベースに対する質問応答のための神経シンボル的CBR手法を提案する。
CBR-KBQAは、ケースを格納する非パラメトリックメモリとパラメトリックモデルという2つのモジュールから構成される。
CBR-KBQAは、ケースメモリに表示されない関係の新規な組み合わせを効果的に導出できることを示す。
- 参考スコア（独自算出の注目度）: 41.54465521439727
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: It is often challenging for a system to solve a new complex problem from
scratch, but much easier if the system can access other similar problems and
description of their solutions -- a paradigm known as case-based reasoning
(CBR). We propose a neuro-symbolic CBR approach for question answering over
large knowledge bases (CBR-KBQA). While the idea of CBR is tempting, composing
a solution from cases is nontrivial, when individual cases only contain partial
logic to the full solution. To resolve this, CBR-KBQA consists of two modules:
a non-parametric memory that stores cases (question and logical forms) and a
parametric model which can generate logical forms by retrieving relevant cases
from memory. Through experiments, we show that CBR-KBQA can effectively derive
novel combination of relations not presented in case memory that is required to
answer compositional questions. On several KBQA datasets that test
compositional generalization, CBR-KBQA achieves competitive performance. For
example, on the challenging ComplexWebQuestions dataset, CBR-KBQA outperforms
the current state of the art by 11% accuracy. Furthermore, we show that
CBR-KBQA is capable of using new cases \emph{without} any further training.
Just by incorporating few human-labeled examples in the non-parametric case
memory, CBR-KBQA is able to successfully generate queries containing unseen KB
relations.
- Abstract（参考訳）: システムが新しい複雑な問題をスクラッチから解決することは難しいことが多いが、他の類似した問題やソリューションの記述(ケースベースの推論(CBR)として知られるパラダイム)にアクセスできれば、ずっと簡単になる。
大規模知識ベース(CBR-KBQA)に対する質問応答のための神経シンボル的CBRアプローチを提案する。
cbrの概念は誘惑的であるが、個々のケースが全解に対して部分論理のみを含む場合、ケースから解を構成することは非自明である。
この問題を解決するため、CBR-KBQAはケースを格納する非パラメトリックメモリと、関連するケースをメモリから取り出すことによって論理形式を生成するパラメトリックモデルという2つのモジュールから構成される。
実験により、CBR-KBQAは、合成質問に答えるために必要なケースメモリに表示されない関係を効果的に組み合わせることができることを示す。
構成一般化をテストするいくつかのKBQAデータセットにおいて、CBR-KBQAは競合性能を達成する。
例えば、挑戦的なComplexWebQuestionsデータセットでは、CBR-KBQAが現在の最先端の精度を11%上回る。
さらに, CBR-KBQA では, 新たな症例であるemph{without} のさらなる訓練が可能であることを示す。
非パラメトリックケースメモリに人間ラベルの例を組み込むことで、CBR-KBQAは未知のKB関係を含むクエリをうまく生成できる。
関連論文リスト
- FC-KBQA: A Fine-to-Coarse Composition Framework for Knowledge Base
Question Answering [24.394908238940904]
論理式の一般化能力と実行性を確保するため,KBQA (FC-KBQA) のためのファイン・ツー・コア・コンポジション・フレームワークを提案する。
FC-KBQA は GrailQA と WebQSP で最先端のパフォーマンスを新たに提供し、ベースラインの 4 倍の速度で動作している。
論文 参考訳（メタデータ） (2023-06-26T14:19:46Z) - Machine Reading Comprehension using Case-based Reasoning [92.51061570746077]
本稿では,機械読解における解答抽出の正確かつ解釈可能な手法を提案する。
本手法は,類似した質問に対する文脈的回答が相互に意味的類似性を共有するという仮説に基づいている。
論文 参考訳（メタデータ） (2023-05-24T07:09:56Z) - 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) - QA Is the New KR: Question-Answer Pairs as Knowledge Bases [105.692569000534]
提案するKBの形式は,従来のシンボリックKBの重要な利点を多く備えている,と我々は主張する。
従来のKBとは異なり、この情報ストアは一般的なユーザ情報のニーズによく適合している。
論文 参考訳（メタデータ） (2022-07-01T19:09:08Z) - CBR-iKB: A Case-Based Reasoning Approach for Question Answering over
Incomplete Knowledge Bases [39.45030211564547]
ケースベースの推論手法であるCBR-iKBを,不完全KBを主眼とした知識ベース質問応答(KBQA)に提案する。
設計上、CBR-iKBはタスク固有のトレーニングや微調整なしにKBの変更にシームレスに適応できる。
提案手法は,MetaQAで100%精度を達成し,複数のベンチマークで新たな最先端性を確立する。
論文 参考訳（メタデータ） (2022-04-18T20:46:41Z) - Knowledge Base Question Answering by Case-based Reasoning over Subgraphs [81.22050011503933]
本モデルでは,既存のKG補完アルゴリズムよりも複雑な推論パターンを必要とする問合せに対して,より効果的に答えることを示す。
提案モデルは、KBQAベンチマークの最先端モデルよりも優れているか、競合的に動作する。
論文 参考訳（メタデータ） (2022-02-22T01:34:35Z) - quantum Case-Based Reasoning (qCBR) [0.0]
Case-Based Reasoning(CBR)は、優れた実績を持つ問題解決のための人工知能アプローチです。
本稿では,量子ケースベース推論(quantum case-based reasoning, qcbr)パラダイムを用いて,cbrの重要なプロセスを改善することを提案する。
論文 参考訳（メタデータ） (2021-04-01T11:34:22Z) - Faithful Embeddings for Knowledge Base Queries [97.5904298152163]
理想的知識ベース(KB)の帰納的閉包は、KBが答えられる論理的クエリを正確に含んでいる。
実際にはKBは不完全かつ過剰な仕様であり、現実の答えを持つクエリには答えられない。
この新たなQEモジュールをニューラルな質問応答システムに挿入すると、最先端技術よりも大幅に改善されることを示す。
論文 参考訳（メタデータ） (2020-04-07T19:25:16Z)
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。