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
- 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) - NeuroGraph: Benchmarks for Graph Machine Learning in Brain Connectomics [10.294767093317404]
グラフベースのニューロイメージングデータセットのコレクションであるNeuroGraphを紹介する。
行動的特徴と認知的特徴の複数のカテゴリを予測するための実用性を実証する。
論文 参考訳(メタデータ) (2023-06-09T19:10:16Z) - 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) - Learning to Coordinate via Multiple Graph Neural Networks [16.226702761758595]
MGANはグラフ畳み込みネットワークと値分解手法を組み合わせた新しいアルゴリズムである。
グラフネットワークの出力を可視化することにより,表現学習におけるグラフネットワークの驚くべき能力を示す。
論文 参考訳(メタデータ) (2021-04-08T04:33:00Z) - Visual Distant Supervision for Scene Graph Generation [66.10579690929623]
シーングラフモデルは通常、大量のラベル付きデータを人間のアノテーションで教師付き学習する必要がある。
本研究では,人間ラベルデータを用いずにシーングラフモデルを訓練できる視覚関係学習の新しいパラダイムである視覚遠方監視を提案する。
包括的な実験結果から、我々の遠隔監視モデルは、弱い監督と半監督のベースラインよりも優れています。
論文 参考訳(メタデータ) (2021-03-29T06:35:24Z) - Dynamic Emotion Modeling with Learnable Graphs and Graph Inception
Network [0.0]
本稿では,感情認識と動的データの基盤となるグラフ構造を共同で学習するLearable Graph Inception Network(L-GrIN)を提案する。
提案アーキテクチャを3つの異なるモードにまたがる5つのベンチマーク感情認識データベース上で評価する。
論文 参考訳(メタデータ) (2020-08-06T13:51:31Z) - 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。