Fugu-MT 論文翻訳(概要): Relational Gating for "What If" Reasoning

論文の概要: Relational Gating for "What If" Reasoning

arxiv url: http://arxiv.org/abs/2105.13449v1
Date: Thu, 27 May 2021 21:07:30 GMT
ステータス: 処理完了
システム内更新日: 2021-05-31 13:42:27.126591
Title: Relational Gating for "What If" Reasoning
Title（参考訳）: 関係性ゲーティングによる"what if"推論
Authors: Chen Zheng, Parisa Kordjamshidi
Abstract要約: キーエンティティとリレーションをフィルタリングする新しいリレーショナルゲーティングネットワークを提案する。提案手法は,WIQAデータセットの最先端結果を実現する。
参考スコア（独自算出の注目度）: 11.57423546614283
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: This paper addresses the challenge of learning to do procedural reasoning over text to answer "What if..." questions. We propose a novel relational gating network that learns to filter the key entities and relationships and learns contextual and cross representations of both procedure and question for finding the answer. Our relational gating network contains an entity gating module, relation gating module, and contextual interaction module. These modules help in solving the "What if..." reasoning problem. We show that modeling pairwise relationships helps to capture higher-order relations and find the line of reasoning for causes and effects in the procedural descriptions. Our proposed approach achieves the state-of-the-art results on the WIQA dataset.
Abstract（参考訳）: 本稿では,テキスト上で手続き的推論を行い,"what if..." 質問に答えることの難しさについて述べる。本稿では,重要なエンティティと関係をフィルタリングし,手続きと質問の両方の文脈的および横断的な表現を学習し,回答を求める新しい関係ゲーティングネットワークを提案する。リレーショナルゲーティングネットワークには、エンティティゲーティングモジュール、リレーショナルゲーティングモジュール、コンテキストインタラクションモジュールが含まれています。これらのモジュールは、"What if ..."推論問題の解決に役立つ。ペア関係のモデル化は、高次関係を捉え、手続き記述における原因と効果の推論の線を見つけるのに役立つ。提案手法は,WIQAデータセットの最先端結果を実現する。

関連論文リスト

Konstruktor: A Strong Baseline for Simple Knowledge Graph Question Answering [60.6042489577575]
Konstruktor - 問題を3つのステップに分割する,効率的で堅牢なアプローチ。我々のアプローチは言語モデルと知識グラフを統合し、前者の力と後者の解釈可能性を活用する。関係検出において、ワークフローの最も困難なステップとして、関係分類・生成とランク付けの組み合わせが、他の手法よりも優れていることを示す。
論文参考訳（メタデータ） (2024-09-24T09:19:11Z)
Integrating Large Language Models with Graph-based Reasoning for Conversational Question Answering [58.17090503446995]
我々は,テキストや知識グラフ,テーブル,インフォボックスといった異質な情報源から収集された証拠について,文脈における質問の理解と推論の課題を組み合わせた会話型質問応答タスクに着目する。提案手法はグラフ構造表現を用いて質問とその文脈に関する情報を集約する。
論文参考訳（メタデータ） (2024-06-14T13:28:03Z)
Cross-Modal Reasoning with Event Correlation for Video Question Answering [32.332251488360185]
本稿では, 副次的・蒸留的事象関連情報として高密度キャプションモダリティを導入し, その正解を推測する。我々は、モーダル間関係を明示的にモデル化し、異なるモーダル間で関連情報を集約するために、モーダル間推論モジュールを用いる。質問指向および事象関連エビデンスを多段階推論により収集する,質問誘導型自己適応型マルチモーダル融合モジュールを提案する。
論文参考訳（メタデータ） (2023-12-20T02:30:39Z)
Modeling Relational Patterns for Logical Query Answering over Knowledge Graphs [29.47155614953955]
そこで我々は,複雑な空間における回転により,クエリ領域を幾何学的円錐と代数的クエリ演算子として定義する新しいクエリ埋め込み手法RoConEを開発した。いくつかのベンチマークデータセットに対する実験結果から,論理的問合せ処理の強化のための関係パターンの利点が確認された。
論文参考訳（メタデータ） (2023-03-21T13:59:15Z)
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)
Relevant CommonSense Subgraphs for "What if..." Procedural Reasoning [22.06211725256875]
本研究では、手続き的テキスト上で因果推論を学習して「もし...」質問に答えることの課題について検討する。本稿では,知識グラフから最も関連性の高い情報を持つコモンセンスサブグラフを効率的に抽出する,新しいマルチホップグラフ推論モデルを提案する。我々は,WIQAベンチマークを用いて評価を行い,最近のモデルと比較して最先端の性能を実現する。
論文参考訳（メタデータ） (2022-03-21T17:57:58Z)
Discrete Reasoning Templates for Natural Language Understanding [79.07883990966077]
我々は,複雑な質問をより単純な質問に分解する手法を提案する。事前定義された推論テンプレートの指示に従って最終回答を導出する。我々のアプローチは、解釈可能でありながら最先端技術と競合し、監督をほとんど必要としないことを示す。
論文参考訳（メタデータ） (2021-04-05T18:56:56Z)
MCR-Net: A Multi-Step Co-Interactive Relation Network for Unanswerable Questions on Machine Reading Comprehension [14.926981547759182]
質問と文の相互相互作用を明示的にモデル化するマルチステップ協調関係ネットワーク(mcr-net)を提案する。我々は,本モデルが文学におけるBERTスタイルのベースラインを上回り,顕著な改善を実現していることを示す。
論文参考訳（メタデータ） (2021-03-08T06:38:14Z)
Text Modular Networks: Learning to Decompose Tasks in the Language of Existing Models [61.480085460269514]
本稿では,既存のモデルで解けるより単純なモデルに分解することで,複雑なタスクを解くための解釈可能なシステムを構築するためのフレームワークを提案する。我々はこのフレームワークを用いて、ニューラルネットワークのファクトイド単一スパンQAモデルとシンボリック電卓で答えられるサブクエストに分解することで、マルチホップ推論問題に答えられるシステムであるModularQAを構築する。
論文参考訳（メタデータ） (2020-09-01T23:45:42Z)
Dynamic Language Binding in Relational Visual Reasoning [67.85579756590478]
言語結合型オブジェクトグラフネットワークは,視覚領域とテキスト領域の両方にわたる動的関係構造を持つ最初のニューラル推論手法である。本手法は,複数の対象関係が関係する高度な質問応答タスクにおいて,他の手法よりも優れる。
論文参考訳（メタデータ） (2020-04-30T06:26:20Z)
CPARR: Category-based Proposal Analysis for Referring Relationships [35.98714576886489]
本稿では,関係性を参照するためのシンプルで効果的な提案手法を提案する。本手法は,その複雑さとあいまいさを低減しつつ,高分解能な結果が得られる。 2つの公開データセット上で、参照関係タスクに最先端のパフォーマンスを示す。
論文参考訳（メタデータ） (2020-04-17T01:54:01Z)

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。