論文の概要: Fact-driven Logical Reasoning
- arxiv url: http://arxiv.org/abs/2105.10334v1
- Date: Fri, 21 May 2021 13:11:13 GMT
- ステータス: 処理完了
- システム内更新日: 2021-05-25 03:35:34.483645
- Title: Fact-driven Logical Reasoning
- Title(参考訳): Fact-driven Logical Reasoning
- Authors: Siru Ouyang, Zhuosheng Zhang and Hai Zhao
- Abstract要約: 自然論理単位は文の背骨成分群であると主張する。
我々は,新たに定義されたファクトユニットの上にスーパーグラフを構築するための,より汎用的で便利なファクト駆動アプローチを提案する。
ReClorとLogiQAという2つの困難な論理推論ベンチマークデータセットの実験により、提案モデルであるtextscFocal Reasoner がベースラインモデルより優れていることが示された。
- 参考スコア(独自算出の注目度): 43.352833140317486
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Logical reasoning, which is closely related to human cognition, is of vital
importance in human's understanding of texts. Recent years have witnessed
increasing attentions on machine's logical reasoning abilities. However,
previous studies commonly apply ad-hoc methods to model pre-defined relation
patterns, such as linking named entities, which only considers global knowledge
components that are related to commonsense, without local perception of
complete facts or events. Such methodology is obviously insufficient to deal
with complicated logical structures. Therefore, we argue that the natural logic
units would be the group of backbone constituents of the sentence such as the
subject-verb-object formed "facts", covering both global and local knowledge
pieces that are necessary as the basis for logical reasoning. Beyond building
the ad-hoc graphs, we propose a more general and convenient fact-driven
approach to construct a supergraph on top of our newly defined fact units, and
enhance the supergraph with further explicit guidance of local question and
option interactions. Experiments on two challenging logical reasoning benchmark
datasets, ReClor and LogiQA, show that our proposed model, \textsc{Focal
Reasoner}, outperforms the baseline models dramatically. It can also be
smoothly applied to other downstream tasks such as MuTual, a dialogue reasoning
dataset, achieving competitive results.
- Abstract(参考訳): 論理的推論は、人間の認識と密接に関連しており、人間のテキスト理解において極めて重要である。
近年、機械の論理的推論能力に注目が集まっている。
しかし、従来の研究では、完全な事実や出来事をローカルに認識することなく、コモンセンスに関連するグローバル知識コンポーネントのみを考慮した名前付きエンティティのリンクなど、事前に定義された関係パターンをモデル化するためのアドホックな手法が一般的であった。
このような手法は明らかに複雑な論理構造を扱うには不十分である。
したがって、自然論理単位は、主観的動詞オブジェクトが生成した「事実」のような文のバックボーン成分群であり、論理的推論の基盤として必要とされるグローバルな知識とローカルな知識の両方をカバーする。
アドホックグラフの構築以外にも,新たに定義されたファクトユニット上にスーパーグラフを構築するための,より汎用的で便利なファクト駆動型アプローチを提案し,局所的な質問やオプションの相互作用に関するより明確なガイダンスでスーパーグラフを強化する。
ReClor と LogiQA の2つの挑戦的論理推論ベンチマークデータセットの実験により,提案したモデルである \textsc{Focal Reasoner} がベースラインモデルより劇的に優れていることが示された。
また、対話推論データセットであるMuTualのような他の下流タスクにもスムーズに適用でき、競合的な結果が得られる。
関連論文リスト
- An Overview Of Temporal Commonsense Reasoning and Acquisition [20.108317515225504]
時間的コモンセンス推論(英: Temporal Commonsense reasoning)とは、フレーズ、行動、出来事の典型的な時間的文脈を理解する能力である。
大規模言語モデルの性能に関する最近の研究は、しばしば推論においてショートカットを行い、単純な言語トラップに陥ることが示唆されている。
論文 参考訳(メタデータ) (2023-07-28T01:30:15Z) - Modeling Hierarchical Reasoning Chains by Linking Discourse Units and
Key Phrases for Reading Comprehension [80.99865844249106]
本稿では,論理的推論の基盤として,対話レベルと単語レベルの両方の文脈を扱う総合グラフネットワーク(HGN)を提案する。
具体的には、ノードレベルの関係とタイプレベルの関係は、推論過程におけるブリッジと解釈できるが、階層的な相互作用機構によってモデル化される。
論文 参考訳(メタデータ) (2023-06-21T07:34:27Z) - Object Topological Character Acquisition by Inductive Learning [0.0]
本稿では, 対象の骨格(RTS)に基づく地形構造の形式的表現を提案し, 「共通地盤の探索」 の誘導過程を実現する。
オブジェクト認識の実装は、色、縁、テクスチャなどの単純な物理的特徴ではなく、トポロジのような共通の幾何学に基づいていることは明らかである。
論文 参考訳(メタデータ) (2023-06-19T01:19:37Z) - RECKONING: Reasoning through Dynamic Knowledge Encoding [51.076603338764706]
言語モデルは、文脈の一部として提供される知識について推論することで、質問に答えることができることを示す。
これらの状況では、モデルは質問に答えるために必要な知識を区別することができない。
我々は、与えられた文脈知識をモデルのパラメータに折り畳み、より堅牢に推論するようにモデルに教えることを提案する。
論文 参考訳(メタデータ) (2023-05-10T17:54:51Z) - MetaLogic: Logical Reasoning Explanations with Fine-Grained Structure [129.8481568648651]
複雑な実生活シナリオにおけるモデルの論理的推論能力を調べるためのベンチマークを提案する。
推論のマルチホップ連鎖に基づいて、説明形式は3つの主成分を含む。
この新たな説明形式を用いて,現在のベストモデルの性能を評価した。
論文 参考訳(メタデータ) (2022-10-22T16:01:13Z) - Generated Knowledge Prompting for Commonsense Reasoning [53.88983683513114]
本稿では,汎用的なプロンプト形式を用いて,言語モデルから直接知識文を生成することを提案する。
このアプローチは、4つのコモンセンス推論タスクにおいて、既製の言語モデルと微調整された言語モデルの両方のパフォーマンスを向上させる。
特に、モデルが生成した知識を使用することで、予測が改善できることが分かる。
論文 参考訳(メタデータ) (2021-10-15T21:58:03Z) - iReason: Multimodal Commonsense Reasoning using Videos and Natural
Language with Interpretability [0.0]
因果的知識は、堅牢なAIシステムを構築する上で不可欠である。
iReasonは、ビデオと自然言語のキャプションの両方を用いて、視覚意味のコモンセンス知識を推論するフレームワークである。
論文 参考訳(メタデータ) (2021-06-25T02:56:34Z) - Extending Automated Deduction for Commonsense Reasoning [0.0]
本論文は,古典的な一階述語論理を自動推論する手法とアルゴリズムを,コモンセンス推論に拡張できると主張している。
提案された拡張は主に通常の証明木に依存しており、不整合、デフォルトルール、トピックの操作、関連性、信頼性、類似度などを含む常識知識ベースを扱うように設計されている。
機械学習はコモンセンスの知識ベースを構築するのに最適であり、拡張された論理ベースの手法はこれらの知識ベースからのクエリに実際に答えるのに適している、と我々は主張する。
論文 参考訳(メタデータ) (2020-03-29T23:17:16Z) - A Knowledge-Enhanced Pretraining Model for Commonsense Story Generation [98.25464306634758]
本稿では,外部知識ベースからのコモンセンス知識を利用して,合理的なストーリーを生成することを提案する。
我々は,真と偽のストーリーを識別するための差別的目的を組み合わせたマルチタスク学習を採用している。
我々のモデルは、特に論理学とグローバルコヒーレンスの観点から、最先端のベースラインよりも合理的なストーリーを生成することができる。
論文 参考訳(メタデータ) (2020-01-15T05:42:27Z)
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。