論文の概要: Could you give me a hint? Generating inference graphs for defeasible reasoning

• arxiv url: http://arxiv.org/abs/2105.05418v1
• Date: Wed, 12 May 2021 04:04:10 GMT
• ステータス: 処理完了
• システム内更新日: 2021-05-13 12:34:19.728616
• Title: Could you give me a hint? Generating inference graphs for defeasible reasoning
• Title（参考訳）: ヒントをいただけませんか。 デファジブル推論のための推論グラフの生成
• Authors: Aman Madaan, Dheeraj Rajagopal, Niket Tandon, Yiming Yang, Eduard Hovy
• Abstract要約: 哲学やAI文学でよく使われる手法は、推論グラフをサポートする手作業による議論である。 本稿では,他のNLPタスクからの移動学習を通じて,このような推論グラフを自動生成する。 このタスクにおける人間の正確性は、生成されたグラフのコンサルティングによって20%向上する。
• 参考スコア（独自算出の注目度）: 28.138055274299866
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Defeasible reasoning is the mode of reasoning where conclusions can be overturned by taking into account new evidence. A commonly used method in philosophy and AI literature is to handcraft argumentation supporting inference graphs. While humans find inference graphs very useful for reasoning, constructing them at scale is difficult. In this paper, we automatically generate such inference graphs through transfer learning from another NLP task that shares the kind of reasoning that inference graphs support. Through automated metrics and human evaluation, we find that our method generates meaningful graphs for the defeasible inference task. Human accuracy on this task improves by 20% by consulting the generated graphs. Our findings open up exciting new research avenues for cases where machine reasoning can help human reasoning. (A dataset of 230,000 influence graphs for each defeasible query is located at: https://tinyurl.com/defeasiblegraphs.)
• Abstract（参考訳）: 矛盾する推論は、新しい証拠を考慮して結論を覆すことができる推論の方法である。 哲学やAI文学でよく使われる手法は、推論グラフをサポートする手作業による議論である。 推論グラフは推論に非常に有用であるが、大規模に構築することは困難である。 本稿では,推論グラフがサポートする推論の種類を共有する他のNLPタスクからの移動学習を通じて,そのような推論グラフを自動的に生成する。 自動計測と人的評価により,提案手法は難解な推論タスクに対して有意義なグラフを生成する。 このタスクにおける人間の正確性は、生成されたグラフのコンサルティングによって20%向上する。 我々の研究は、機械推論が人間の推論に役立つ場合に、エキサイティングな新しい研究の道を開く。 (難解なクエリ毎に23万のインフルエンサーグラフのデータセットが配置されている。 https://tinyurl.com/defeasiblegraphs.)

関連論文リスト

• Graph Agent: Explicit Reasoning Agent for Graphs [3.422149942031643]
  本稿では,大規模言語モデル(LLM)を活用するインテリジェントエージェントであるグラフエージェント(GA),帰納的推論モジュール,グラフ推論タスクのための長期メモリを紹介する。 GAはシンボリック推論と既存のグラフ埋め込みの側面を統合し、複雑なグラフ推論タスクに革新的なアプローチを提供する。 その結果、GAは最先端のパフォーマンスに達し、精度は90.65%、95.48%、Cola、PubMed、PrimeKGの各データセットで89.32%であった。
  論文  参考訳（メタデータ） (2023-10-25T07:20:16Z)
• Intrinsically motivated graph exploration using network theories of human curiosity [71.2717061477241]
  本稿では,人間の好奇心の2つの理論によるグラフ構造化データの探索手法を提案する。 提案した特徴を,グラフニューラルネットワークに基づく強化学習の報奨として利用する。
  論文  参考訳（メタデータ） (2023-07-11T01:52:08Z)
• State of the Art and Potentialities of Graph-level Learning [54.68482109186052]
  グラフレベルの学習は、比較、回帰、分類など、多くのタスクに適用されている。 グラフの集合を学習する伝統的なアプローチは、サブストラクチャのような手作りの特徴に依存している。 ディープラーニングは、機能を自動的に抽出し、グラフを低次元表現に符号化することで、グラフレベルの学習をグラフの規模に適応させるのに役立っている。
  論文  参考訳（メタデータ） (2023-01-14T09:15:49Z)
• 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)
• Inference Attacks Against Graph Neural Networks [33.19531086886817]
  グラフの埋め込みは、グラフ分析問題を解決する強力なツールである。 グラフ埋め込みの共有は興味深いが、関連するプライバシーリスクは未調査だ。 3つの推論攻撃を組み込むことで,グラフ埋め込みの情報漏洩を系統的に調査する。
  論文  参考訳（メタデータ） (2021-10-06T10:08:11Z)
• 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)
• Neural, Symbolic and Neural-Symbolic Reasoning on Knowledge Graphs [9.708996828407384]
  知識グラフ推論は、情報抽出、情報検索、レコメンデーションといった機械学習アプリケーションをサポートする。 知識グラフは知識の離散的なシンボル表現と見なすことができるので、知識グラフの推論は自然にそのシンボル技術を利用することができる。 近年のディープラーニングの進歩は、曖昧でノイズの多いデータに対して頑健な知識グラフ上での神経推論を促進するが、シンボリック推論と比較して解釈性に欠ける。
  論文  参考訳（メタデータ） (2020-10-12T04:28:57Z)
• A Survey of Adversarial Learning on Graphs [59.21341359399431]
  本稿では,グラフ逆学習タスクに関する既存の研究を考察し,要約する。 具体的には、グラフ解析タスクにおける攻撃と防御に関する既存の作業を調査し、統一する。 我々は、関連する評価指標の重要性を強調し、それらを総合的に調査し、要約する。
  論文  参考訳（メタデータ） (2020-03-10T12:48:00Z)

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。