論文の概要: Interactive Machine Comprehension with Dynamic Knowledge Graphs

• arxiv url: http://arxiv.org/abs/2109.00077v1
• Date: Tue, 31 Aug 2021 21:05:22 GMT
• ステータス: 処理完了
• システム内更新日: 2021-09-02 20:48:33.153341
• Title: Interactive Machine Comprehension with Dynamic Knowledge Graphs
• Title（参考訳）: 動的知識グラフを用いた対話型機械理解
• Authors: Xingdi Yuan
• Abstract要約: 対話型機械読解(英: Interactive machine reading comprehension, iMRC)は、知識源が部分的に観察可能な機械読解作業である。 グラフ表現は優れた帰納バイアスであり、iMRCタスクにおけるエージェントの記憶機構として機能する。 情報収集中にこれらのグラフを動的に構築・更新する手法と、RLエージェントにグラフ表現をエンコードするニューラルネットワークについて述べる。
• 参考スコア（独自算出の注目度）: 9.599169515136436
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Interactive machine reading comprehension (iMRC) is machine comprehension tasks where knowledge sources are partially observable. An agent must interact with an environment sequentially to gather necessary knowledge in order to answer a question. We hypothesize that graph representations are good inductive biases, which can serve as an agent's memory mechanism in iMRC tasks. We explore four different categories of graphs that can capture text information at various levels. We describe methods that dynamically build and update these graphs during information gathering, as well as neural models to encode graph representations in RL agents. Extensive experiments on iSQuAD suggest that graph representations can result in significant performance improvements for RL agents.
• Abstract（参考訳）: interactive machine reading comprehension (imrc) は、知識ソースが部分的に可観測である機械理解タスクである。 エージェントは、質問に答えるために必要な知識を集めるために、環境とシーケンシャルに対話する必要がある。 グラフ表現は、imrcタスクにおいてエージェントのメモリメカニズムとして機能する優れた帰納的バイアスであると仮定する。 様々なレベルでテキスト情報をキャプチャできる4つの異なるカテゴリのグラフを探索する。 情報収集中にこれらのグラフを動的に構築・更新する手法と、RLエージェントにグラフ表現をエンコードするニューラルネットワークについて述べる。 iSQuADの大規模な実験は、グラフ表現がRLエージェントの大幅な性能向上をもたらすことを示唆している。

関連論文リスト

• Learning From Graph-Structured Data: Addressing Design Issues and Exploring Practical Applications in Graph Representation Learning [2.492884361833709]
  グラフ表現学習とグラフニューラルネットワーク(GNN)の最近の進歩を概観する。 グラフ構造化データを扱うように設計されたGNNは、複雑な関係情報から洞察と予測を引き出すのに長けている。 我々の研究は、GNNの能力を掘り下げ、その基礎設計と現実の課題に対処するための応用について調べている。
  論文  参考訳（メタデータ） (2024-11-09T19:10:33Z)
• Dynamic and Textual Graph Generation Via Large-Scale LLM-based Agent Simulation [70.60461609393779]
  GraphAgent-Generator (GAG) は動的グラフ生成のための新しいシミュレーションベースのフレームワークである。 本フレームワークは,確立されたネットワーク科学理論において,7つのマクロレベルの構造特性を効果的に再現する。 最大10万近いノードと1000万のエッジを持つグラフの生成をサポートし、最低速度は90.4%である。
  論文  参考訳（メタデータ） (2024-10-13T12:57:08Z)
• Verbalized Graph Representation Learning: A Fully Interpretable Graph Model Based on Large Language Models Throughout the Entire Process [8.820909397907274]
  完全に解釈可能な言語グラフ表現学習法(VGRL)を提案する。 従来のグラフ機械学習モデルとは対照的に、VGRLはこのパラメータ空間をテキスト記述に制約する。 VGRLの有効性を実証的に評価するために,いくつかの研究を行った。
  論文  参考訳（メタデータ） (2024-10-02T12:07:47Z)
• Informative Subgraphs Aware Masked Auto-Encoder in Dynamic Graphs [1.3571543090749625]
  本稿では,動的グラフの進化を導く情報サブグラフを生成するための制約付き確率的生成モデルを提案する。 DyGISによって同定された情報サブグラフは、動的グラフマスキングオートエンコーダ(DGMAE)の入力として機能する。
  論文  参考訳（メタデータ） (2024-09-14T02:16:00Z)
• Graph Attention Inference of Network Topology in Multi-Agent Systems [0.0]
  本研究は,マルチエージェントシステムの将来の状態を予測するためのアテンションメカニズムを活用する,機械学習に基づく新しいソリューションを提案する。 次に、注目値の強さからグラフ構造を推定する。 提案したデータ駆動型グラフアテンション機械学習モデルにより,マルチエージェントシステムにおけるネットワークトポロジを同定できることを示す。
  論文  参考訳（メタデータ） (2024-08-27T23:58:51Z)
• When Graph Data Meets Multimodal: A New Paradigm for Graph Understanding and Reasoning [54.84870836443311]
  本稿では,画像エンコーディングとマルチモーダル技術を統合することで,グラフデータの理解と推論を行う新しいパラダイムを提案する。 このアプローチは, GPT-4Vの高度な機能を利用して, 命令応答形式によるグラフデータの理解を可能にする。 研究は、このパラダイムを様々なグラフタイプで評価し、特に中国のOCRパフォーマンスと複雑な推論タスクにおいて、モデルの強みと弱みを強調した。
  論文  参考訳（メタデータ） (2023-12-16T08:14:11Z)
• Learning Representation over Dynamic Graph using Aggregation-Diffusion Mechanism [4.729833950299859]
  本稿では,アグリゲーション・ディフュージョン(AD)機構を提案する。 動的リンク予測タスクにおける2つの実世界のデータセットの実験において、ADメカニズムは情報を伝達するために集約のみを使用するベースラインモデルよりも優れている。
  論文  参考訳（メタデータ） (2021-06-03T08:25:42Z)
• TCL: Transformer-based Dynamic Graph Modelling via Contrastive Learning [87.38675639186405]
  我々は,動的に進化するグラフを連続的に扱う,TCLと呼ばれる新しいグラフニューラルネットワークアプローチを提案する。 我々の知る限りでは、これは動的グラフ上の表現学習にコントラスト学習を適用する最初の試みである。
  論文  参考訳（メタデータ） (2021-05-17T15:33:25Z)
• Jointly Cross- and Self-Modal Graph Attention Network for Query-Based Moment Localization [77.21951145754065]
  本稿では,共同グラフを渡る反復的メッセージのプロセスとして,このタスクをリキャストするクロスモーダルグラフ注意ネットワーク(CSMGAN)を提案する。 CSMGANは2つのモード間の高次相互作用を効果的に捉えることができ、より正確な局所化を可能にします。
  論文  参考訳（メタデータ） (2020-08-04T08:25:24Z)
• GCC: Graph Contrastive Coding for Graph Neural Network Pre-Training [62.73470368851127]
  グラフ表現学習は現実世界の問題に対処する強力な手法として登場した。 自己教師付きグラフニューラルネットワーク事前トレーニングフレームワークであるGraph Contrastive Codingを設計する。 3つのグラフ学習タスクと10のグラフデータセットについて実験を行った。
  論文  参考訳（メタデータ） (2020-06-17T16:18:35Z)
• Graph Representation Learning via Graphical Mutual Information Maximization [86.32278001019854]
  本稿では,入力グラフとハイレベルな隠蔽表現との相関を測る新しい概念であるGMIを提案する。 我々は,グラフニューラルエンコーダの入力と出力の間でGMIを最大化することで訓練された教師なし学習モデルを開発する。
  論文  参考訳（メタデータ） (2020-02-04T08:33:49Z)

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。