論文の概要: Scientia Potentia Est -- On the Role of Knowledge in Computational Argumentation

• arxiv url: http://arxiv.org/abs/2107.00281v1
• Date: Thu, 1 Jul 2021 08:12:41 GMT
• ステータス: 処理完了
• システム内更新日: 2021-07-02 22:23:25.971820
• Title: Scientia Potentia Est -- On the Role of Knowledge in Computational Argumentation
• Title（参考訳）: Scientia Potentia Est -- 計算論における知識の役割について
• Authors: Anne Lauscher, Henning Wachsmuth, Iryna Gurevych, and Goran Glava\v{s}
• Abstract要約: 本稿では,計算議論に必要な知識のピラミッドを提案する。 この分野におけるこれらのタイプの役割と統合について,その技術の現状を簡潔に論じる。
• 参考スコア（独自算出の注目度）: 52.903665881174845
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Despite extensive research in the past years, the computational modeling of argumentation remains challenging. The primary reason lies in the inherent complexity of the human processes behind, which commonly requires the integration of extensive knowledge far beyond what is needed for many other natural language understanding tasks. Existing work on the mining, assessment, reasoning, and generation of arguments acknowledges this issue, calling for more research on the integration of common sense and world knowledge into computational models. However, a systematic effort to collect and organize the types of knowledge needed is still missing, hindering targeted progress in the field. In this opinionated survey paper, we address the issue by (1) proposing a pyramid of types of knowledge required in computational argumentation, (2) briefly discussing the state of the art on the role and integration of these types in the field, and (3) outlining the main challenges for future work.
• Abstract（参考訳）: 過去数年間の広範な研究にもかかわらず、議論の計算モデリングは依然として困難である。 主な理由は、人間のプロセスの背後にある固有の複雑さにある。これは一般的に、他の多くの自然言語理解タスクに必要なもの以上の広範な知識の統合を必要とする。 マイニング、評価、推論、そして議論の生成に関する既存の研究はこの問題を認め、常識と世界知識の計算モデルへの統合に関するさらなる研究を要求している。 しかし、必要な知識の種類を収集し整理するための体系的な取り組みはまだ欠落しており、分野の進歩を阻害している。 本稿では,(1)計算議論に必要な知識のピラミッドを提案すること,(2)分野におけるこれらのタイプの役割と統合に関する技術の現状を簡潔に議論すること,(3)今後の課題を概説することによる課題に対処する。

関連論文リスト

• Beyond Factuality: A Comprehensive Evaluation of Large Language Models as Knowledge Generators [78.63553017938911]
  大規模言語モデル(LLM)は、下流の知識集約タスクのための情報検索技術より優れている。 しかし、コミュニティの懸念は、この無検閲の知識を使用することの事実と潜在的意味について多岐にわたる。 本研究では,6つの重要な視点から生成した知識を評価するために設計されたCONNERを紹介する。
  論文  参考訳（メタデータ） (2023-10-11T08:22:37Z)
• Machine-assisted quantitizing designs: augmenting humanities and social sciences with artificial intelligence [0.0]
  大規模言語モデル(LLM)は、人文科学や社会科学におけるデータ分析をスケールアップする前例のない機会であることが示された。 設計原則を定量化し、変換し、言語学から特徴分析し、人間の専門知識と機械のスケーラビリティを透過的に統合する混合手法を構築します。 このアプローチは、1ダース以上のLDM支援ケーススタディで議論され、9つの多様な言語、複数の規律、タスクをカバーしている。
  論文  参考訳（メタデータ） (2023-09-24T14:21:50Z)
• Reinforcement Learning with Knowledge Representation and Reasoning: A Brief Survey [24.81327556378729]
  近年,強化学習は飛躍的な発展を遂げている。 いまだに複雑な実生活問題に対処する上で大きな障害に直面している。 近年,知識表現と推論の利用に対する関心が高まっている。
  論文  参考訳（メタデータ） (2023-04-24T13:35:11Z)
• A Comprehensive Survey of Continual Learning: Theory, Method and Application [64.23253420555989]
  本稿では,基礎的設定,理論的基礎,代表的方法,実践的応用を橋渡しする継続的学習に関する包括的調査を行う。 連続学習の一般的な目的は、資源効率の文脈において、適切な安定性と塑性のトレードオフと適切なタスク内/タスク内一般化性を保証することであると要約する。
  論文  参考訳（メタデータ） (2023-01-31T11:34:56Z)
• Towards a Holistic Understanding of Mathematical Questions with Contrastive Pre-training [65.10741459705739]
  本稿では,数学的問題表現,すなわち QuesCo に対する対照的な事前学習手法を提案する。 まず、コンテンツレベルと構造レベルを含む2段階の質問強化を設計し、類似した目的で文字通り多様な質問ペアを生成する。 そこで我々は,知識概念の階層的情報を完全に活用するために,知識階層を意識したランク戦略を提案する。
  論文  参考訳（メタデータ） (2023-01-18T14:23:29Z)
• ConvFinQA: Exploring the Chain of Numerical Reasoning in Conversational Finance Question Answering [70.6359636116848]
  本稿では,対話型質問応答における数値推論の連鎖を研究するために,新しい大規模データセットConvFinQAを提案する。 我々のデータセットは、現実世界の会話において、長距離で複雑な数値推論パスをモデル化する上で大きな課題となる。
  論文  参考訳（メタデータ） (2022-10-07T23:48:50Z)
• Solving Quantitative Reasoning Problems with Language Models [53.53969870599973]
  我々は、一般的な自然言語データに基づいて事前訓練された大規模言語モデルであるMinervaを紹介し、さらに技術的な内容について訓練する。 このモデルは、外部ツールを使わずに、技術的ベンチマークで最先端のパフォーマンスを達成する。 我々はまた、物理学、生物学、化学、経済学、その他の科学における200以上の学部レベルの問題に対して、我々のモデルを評価した。
  論文  参考訳（メタデータ） (2022-06-29T18:54:49Z)
• Computational Argumentation and Cognition [0.3867363075280543]
  第1回計算argumentation and Cognitionワークショップ(COGNITAR)に端を発する。 人間中心AIの文脈において、認知研究のための計算論からの理論と方法の使用は、追求するための有望な道である、と論じている。 本稿は、科学的レベルでも、関連する様々な分野からアイデアやアプローチを合成するレベルでも、対処すべき領域における主な問題と課題を提示する。
  論文  参考訳（メタデータ） (2021-11-12T21:44:30Z)
• A Data-Driven Study of Commonsense Knowledge using the ConceptNet Knowledge Base [8.591839265985412]
  汎用人工知能(AI)の実現における重要なフロンティアとして,コモンセンス知識と推論の獲得が認められている。 本稿では,コンセプションネットの知識基盤を実証的かつ構造的に分析することにより,コモンセンス知識のより深い理解を可能にする体系的な研究を提案し,実施する。 最先端の教師なしグラフ表現学習(「埋め込み」)とクラスタリング技術を用いて、慎重に設計された3つの研究課題に関する詳細な実験結果から、ConceptNet関係の深いサブ構造を明らかにする。
  論文  参考訳（メタデータ） (2020-11-28T08:08:25Z)

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。