論文の概要: Dynamic Semantic Graph Construction and Reasoning for Explainable
Multi-hop Science Question Answering
- arxiv url: http://arxiv.org/abs/2105.11776v1
- Date: Tue, 25 May 2021 09:14:55 GMT
- ステータス: 処理完了
- システム内更新日: 2021-05-26 22:35:40.103743
- Title: Dynamic Semantic Graph Construction and Reasoning for Explainable
Multi-hop Science Question Answering
- Title（参考訳）: 説明可能なマルチホップ科学質問応答のための動的意味グラフ構築と推論
- Authors: Weiwen Xu, Huihui Zhang, Deng Cai and Wai Lam
- Abstract要約: マルチホップQAのための説明可能性を得ながら,より有効な事実を活用できる新しいフレームワークを提案する。
a) tt AMR-SG,(a) tt AMR-SG,(a) tt AMR-SG,(a) tt AMR-SG,(c) グラフ畳み込みネットワーク(GCN)を利用した事実レベルの関係モデリング,(c) 推論過程の導出を行う。
- 参考スコア（独自算出の注目度）: 50.546622625151926
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Knowledge retrieval and reasoning are two key stages in multi-hop question
answering (QA) at web scale. Existing approaches suffer from low confidence
when retrieving evidence facts to fill the knowledge gap and lack transparent
reasoning process. In this paper, we propose a new framework to exploit more
valid facts while obtaining explainability for multi-hop QA by dynamically
constructing a semantic graph and reasoning over it. We employ Abstract Meaning
Representation (AMR) as semantic graph representation. Our framework contains
three new ideas: (a) {\tt AMR-SG}, an AMR-based Semantic Graph, constructed by
candidate fact AMRs to uncover any hop relations among question, answer and
multiple facts. (b) A novel path-based fact analytics approach exploiting {\tt
AMR-SG} to extract active facts from a large fact pool to answer questions. (c)
A fact-level relation modeling leveraging graph convolution network (GCN) to
guide the reasoning process. Results on two scientific multi-hop QA datasets
show that we can surpass recent approaches including those using additional
knowledge graphs while maintaining high explainability on OpenBookQA and
achieve a new state-of-the-art result on ARC-Challenge in a computationally
practicable setting.
- Abstract（参考訳）: 知識検索と推論は、Webスケールでのマルチホップ質問応答(QA)における2つの重要な段階である。
既存のアプローチは、知識ギャップを埋める証拠の事実を回収し、透明な推論プロセスの欠如に悩まされる。
本稿では,意味グラフを動的に構築し,その上に推論することで,マルチホップQAの説明可能性を得ながら,より有効な事実を活用できる新しいフレームワークを提案する。
意味グラフ表現には抽象的意味表現(AMR)を用いる。
a) {\tt AMR-SG}(AMRに基づくセマンティックグラフ)は、質問、回答、複数の事実間のホップ関係を明らかにするために、候補事実AMRによって構築される。
b) 経路に基づく新しい事実分析手法であるtt AMR-SG を用いて,大規模事実プールから活動的事実を抽出し,質問に答える。
(c)グラフ畳み込みネットワーク(GCN)を利用した事実レベルの関係モデリングによる推論プロセスの導出。
2つの科学的マルチホップQAデータセットの結果から,OpenBookQAの高説明性を維持しながら知識グラフを付加する手法や,ARC-Challengeにおける新たな最先端の成果を計算的に実現可能な環境で達成できることを示す。
関連論文リスト
- Efficient Parallel Multi-Hop Reasoning: A Scalable Approach for Knowledge Graph Analysis [0.0]
マルチホップ推論(MHR)は様々な応用において重要な機能である。
本稿では,大規模グラフ上での時間効率の最適化に焦点をあてる。
ドメイン固有の学習埋め込みを利用する新しい並列アルゴリズムを提案する。
論文 参考訳（メタデータ） (2024-06-11T21:12:34Z) - Leveraging Structured Information for Explainable Multi-hop Question
Answering and Reasoning [14.219239732584368]
本研究では,マルチホップ質問応答のための抽出された意味構造(グラフ)の構築と活用について検討する。
実験結果と人的評価の結果から、我々のフレームワークはより忠実な推論連鎖を生成し、2つのベンチマークデータセットのQA性能を大幅に向上させる。
論文 参考訳（メタデータ） (2023-11-07T05:32:39Z) - Towards Graph-hop Retrieval and Reasoning in Complex Question Answering
over Textual Database [15.837457557803507]
Graph-Hopは、複雑な質問応答における新しいマルチチェーンとマルチホップ検索および推論パラダイムである。
我々はReasonGraphQAと呼ばれる新しいベンチマークを構築し、複雑な問題に対して明確できめ細かいエビデンスグラフを提供する。
論文 参考訳（メタデータ） (2023-05-23T16:28:42Z) - UniKGQA: Unified Retrieval and Reasoning for Solving Multi-hop Question
Answering Over Knowledge Graph [89.98762327725112]
KGQA(Multi-hop Question Answering over Knowledge Graph)は、自然言語の質問で言及されているトピックエンティティから、複数のホップを持つ回答エンティティを見つけることを目的としている。
我々は、モデルアーキテクチャとパラメータ学習の両方において、検索と推論を統合することで、マルチホップKGQAタスクの新しいアプローチであるUniKGQAを提案する。
論文 参考訳（メタデータ） (2022-12-02T04:08:09Z) - Exploiting Hybrid Semantics of Relation Paths for Multi-hop Question
Answering Over Knowledge Graphs [31.088325888508137]
本稿では、関係経路のハイブリッドセマンティクスを利用してマルチホップKGQAを改善することを提案する。
関係経路の明示的なテキスト情報と暗黙的なKG構造を,新規な回転・スケールのエンティティリンク予測フレームワークに基づいて統合する。
論文 参考訳（メタデータ） (2022-09-02T08:07:37Z) - VQA-GNN: Reasoning with Multimodal Knowledge via Graph Neural Networks
for Visual Question Answering [79.22069768972207]
本稿では,VQA-GNNモデルを提案する。VQA-GNNは,非構造化知識と構造化知識の双方向融合を行い,統一知識表現を得る。
具体的には,シーングラフとコンセプトグラフを,QAコンテキストを表すスーパーノードを介して相互接続する。
課題2つのVQAタスクにおいて,本手法はVCRが3.2%,GQAが4.6%,強いベースラインVQAが3.2%向上し,概念レベルの推論を行う上での強みが示唆された。
論文 参考訳（メタデータ） (2022-05-23T17:55:34Z) - Modeling Multi-hop Question Answering as Single Sequence Prediction [88.72621430714985]
本稿では,単純な生成手法(PathFid)を提案する。
PathFidは、マルチホップ質問に対する回答を解決するための推論プロセスを明示的にモデル化する。
実験の結果,PathFidは2つのマルチホップQAデータセットに対して高い性能向上をもたらすことが示された。
論文 参考訳（メタデータ） (2022-05-18T21:57:59Z) - GreaseLM: Graph REASoning Enhanced Language Models for Question
Answering [159.9645181522436]
GreaseLMは、事前訓練されたLMとグラフニューラルネットワークの符号化された表現を、複数の層にわたるモダリティ相互作用操作で融合する新しいモデルである。
GreaseLMは、状況制約と構造化知識の両方の推論を必要とする問題に、より確実に答えることができる。
論文 参考訳（メタデータ） (2022-01-21T19:00:05Z) - Exploiting Reasoning Chains for Multi-hop Science Question Answering [51.86289192292466]
我々のフレームワークは、コーパス固有のアノテーションを必要とせずに説明可能な推論を行うことができる。
ローカルチェーン情報とグローバルチェーン情報の両方に関するTextitChain対応の損失は、生成されたチェーンが遠隔監視信号として機能するようにも設計されている。
論文 参考訳（メタデータ） (2021-09-07T07:22:07Z) - Scalable Multi-Hop Relational Reasoning for Knowledge-Aware Question
Answering [35.40919477319811]
本稿では,事前学習された言語モデルにマルチホップ関係推論モジュールを組み込む新しい知識認識手法を提案する。
外部知識グラフから抽出したサブグラフに対して、マルチホップ、マルチリレーショナル推論を行う。
パスベースの推論手法とグラフニューラルネットワークを統合して、より優れた解釈性とスケーラビリティを実現する。
論文 参考訳（メタデータ） (2020-05-01T23:10:26Z)
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。