論文の概要: multiPRover: Generating Multiple Proofs for Improved Interpretability in Rule Reasoning

• arxiv url: http://arxiv.org/abs/2106.01354v1
• Date: Wed, 2 Jun 2021 17:58:35 GMT
• ステータス: 処理完了
• システム内更新日: 2021-06-03 14:50:02.395966
• Title: multiPRover: Generating Multiple Proofs for Improved Interpretability in Rule Reasoning
• Title（参考訳）: multiprover: ルール推論における解釈性向上のための複数の証明を生成する
• Authors: Swarnadeep Saha, Prateek Yadav, Mohit Bansal
• Abstract要約: 我々は、自然言語の事実と規則の形で明示的な知識を推論することを目的としている言語形式推論の一種に焦点を当てる。 PRoverという名前の最近の研究は、質問に答え、答えを説明する証明グラフを生成することによって、そのような推論を行う。 本研究では,自然言語規則ベースの推論のために複数の証明グラフを生成するという,新たな課題に対処する。
• 参考スコア（独自算出の注目度）: 73.09791959325204
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We focus on a type of linguistic formal reasoning where the goal is to reason over explicit knowledge in the form of natural language facts and rules (Clark et al., 2020). A recent work, named PRover (Saha et al., 2020), performs such reasoning by answering a question and also generating a proof graph that explains the answer. However, compositional reasoning is not always unique and there may be multiple ways of reaching the correct answer. Thus, in our work, we address a new and challenging problem of generating multiple proof graphs for reasoning over natural language rule-bases. Each proof provides a different rationale for the answer, thereby improving the interpretability of such reasoning systems. In order to jointly learn from all proof graphs and exploit the correlations between multiple proofs for a question, we pose this task as a set generation problem over structured output spaces where each proof is represented as a directed graph. We propose two variants of a proof-set generation model, multiPRover. Our first model, Multilabel-multiPRover, generates a set of proofs via multi-label classification and implicit conditioning between the proofs; while the second model, Iterative-multiPRover, generates proofs iteratively by explicitly conditioning on the previously generated proofs. Experiments on multiple synthetic, zero-shot, and human-paraphrased datasets reveal that both multiPRover models significantly outperform PRover on datasets containing multiple gold proofs. Iterative-multiPRover obtains state-of-the-art proof F1 in zero-shot scenarios where all examples have single correct proofs. It also generalizes better to questions requiring higher depths of reasoning where multiple proofs are more frequent. Our code and models are publicly available at https://github.com/swarnaHub/multiPRover
• Abstract（参考訳）: 我々は、自然言語の事実とルールの形で明示的な知識を推論すること(Clark et al., 2020)を目標とする言語形式推論の一種に焦点を当てる。 PRover (Saha et al., 2020) と名付けられた最近の研究は、質問に答え、答えを説明する証明グラフを生成することによってそのような推論を行う。 しかし、構成的推論は必ずしもユニークではなく、正しい答えに到達するには複数の方法があるかもしれない。 そこで本研究では,自然言語規則ベースの推論のために複数の証明グラフを生成するという,新たな課題に対処する。 それぞれの証明は、答えに対する異なる理論的根拠を与え、そのような推論システムの解釈可能性を改善する。 すべての証明グラフから共同で学習し,複数の証明間の相関関係を利用するために,各証明が有向グラフとして表現される構造化出力空間上の集合生成問題として,この課題を提起する。 証明セット生成モデルの2つの変種である multiPRover を提案する。 第1のモデルであるMultilabel-multiPRoverは、証明間の複数ラベル分類と暗黙条件による証明の集合を生成するが、第2のモデルであるIterative-multiPRoverは、以前に生成された証明を明示的に条件付けすることによって、反復的に証明を生成する。 複数の合成、ゼロショット、ヒューマンパラフレーズデータセットの実験により、両方のマルチプローバーモデルが複数の金の証明を含むデータセット上でPRoverを著しく上回っていることが明らかとなった。 iteration-multiprover はゼロショットシナリオにおいて最先端の証明 f1 を得る。 また、複数の証明がより頻繁に行われる推論の深みを必要とする問題に対して、より一般化する。 私たちのコードとモデルはhttps://github.com/swarnaHub/multiPRoverで公開されています。

関連論文リスト

• MUSTARD: Mastering Uniform Synthesis of Theorem and Proof Data [85.50740598523818]
  MUSTARDは、高品質で多様性のある定理と証明データの均一な合成をマスターするフレームワークである。 5,866個の有効なデータポイントを持つMUSTARDSAUCEベンチマークを示す。 我々は広範囲な解析を行い、MUSTARDが検証された高品質なステップバイステップデータを生成することを示す。
  論文  参考訳（メタデータ） (2024-02-14T05:57:58Z)
• Testing the General Deductive Reasoning Capacity of Large Language Models Using OOD Examples [36.63316546586304]
  大型言語モデル(LLM)は、チェーン・オブ・シークレットのプロンプトを与えられた抽象的推論能力を持つ。 我々は、幅広い推論規則を検証し、より単純な実演からより複雑な証明に一般化する能力を測定する。 様々な大きさのLLMと訓練目的の4つの実験により、合成証明に一般化できることが示されている。
  論文  参考訳（メタデータ） (2023-05-24T15:55:51Z)
• STREET: A Multi-Task Structured Reasoning and Explanation Benchmark [56.555662318619135]
  マルチタスクとマルチドメインの自然言語推論と説明ベンチマークを統一的に導入する。 我々は、モデルが質問に答えるだけでなく、ある解の正しさを証明できる中間的な結論を生成するために、問題の前提がどのように使われているかを記述する、段階的に構造化された説明を生成することを期待している。
  論文  参考訳（メタデータ） (2023-02-13T22:34:02Z)
• NaturalProver: Grounded Mathematical Proof Generation with Language Models [84.2064569475095]
  自然数理言語における定理証明は、数学の進歩と教育において中心的な役割を果たす。 本研究では,背景参照を条件づけて証明を生成する言語モデルであるNaturalProverを開発する。 NaturalProverは、短い(2-6ステップ)証明を必要とするいくつかの定理を証明でき、40%の時間で正しいと評価された次のステップの提案を提供することができる。
  論文  参考訳（メタデータ） (2022-05-25T17:01:18Z)
• Generating Natural Language Proofs with Verifier-Guided Search [74.9614610172561]
  NLProofS (Natural Language Proof Search) を提案する。 NLProofSは仮説に基づいて関連するステップを生成することを学習する。 EntailmentBank と RuleTaker の最先端のパフォーマンスを実現している。
  論文  参考訳（メタデータ） (2022-05-25T02:22:30Z)
• Graph-based Approximate Message Passing Iterations [0.0]
  近似メッセージパッシング(AMP)アルゴリズムは高次元統計的推論の重要な要素となっている。 AMPインスタンスは、向き付けられたグラフによって汎用的にインデックス化可能であることを示す。 これにより、これらの反復を統一的に解釈することができ、それらが解決する問題とは独立して、それらを任意に構成することが可能になる。
  論文  参考訳（メタデータ） (2021-09-24T11:56:59Z)
• ProoFVer: Natural Logic Theorem Proving for Fact Verification [24.61301908217728]
  本稿では,自然論理を用いた事実検証システムProoFVerを提案する。 証明の生成により、ProoFVerは説明可能なシステムになる。 証明により,人間がProoFVerの判断を正しくシミュレートできることが判明した。
  論文  参考訳（メタデータ） (2021-08-25T17:23:04Z)
• ProofWriter: Generating Implications, Proofs, and Abductive Statements over Natural Language [19.917022148887273]
  トランスフォーマーは自然言語理論上の論理推論をエミュレートすることが示されている。 ProofWriterと呼ばれる生成モデルは、理論の意味とそれらをサポートする自然言語の証明の両方を確実に生成できることを示しています。
  論文  参考訳（メタデータ） (2020-12-24T00:55:46Z)
• PRover: Proof Generation for Interpretable Reasoning over Rules [81.40404921232192]
  本稿では,ルールベース上の二項質問に応答し,対応する証明を生成するトランスフォーマーモデルを提案する。 本モデルは,効率的な制約付き学習パラダイムを用いて,証明グラフに対応するノードやエッジを予測できることを学習する。 我々は、QAと証明生成のための有望な結果を示すために、合成、手書き、人文による規則ベースの実験を行う。
  論文  参考訳（メタデータ） (2020-10-06T15:47:53Z)

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。