論文の概要: Improving Numerical Reasoning Skills in the Modular Approach for Complex Question Answering on Text

• arxiv url: http://arxiv.org/abs/2109.02289v1
• Date: Mon, 6 Sep 2021 08:34:31 GMT
• ステータス: 処理完了
• システム内更新日: 2021-09-07 16:59:37.108249
• Title: Improving Numerical Reasoning Skills in the Modular Approach for Complex Question Answering on Text
• Title（参考訳）: テキストによる複雑な質問応答に対するモジュラーアプローチにおける数値推論スキルの向上
• Authors: Xiao-Yu Guo, Yuan-Fang Li and Gholamreza Haffari
• Abstract要約: 複雑な質問応答(CQA)をテキストで実現するアプローチとして、Neural Module Networks(NMN)がある。 我々は,NMNの数値推論能力を向上させるための効果的な手法を提案する。
• 参考スコア（独自算出の注目度）: 39.22253030039486
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Numerical reasoning skills are essential for complex question answering (CQA) over text. It requires opertaions including counting, comparison, addition and subtraction. A successful approach to CQA on text, Neural Module Networks (NMNs), follows the programmer-interpreter paradigm and leverages specialised modules to perform compositional reasoning. However, the NMNs framework does not consider the relationship between numbers and entities in both questions and paragraphs. We propose effective techniques to improve NMNs' numerical reasoning capabilities by making the interpreter question-aware and capturing the relationship between entities and numbers. On the same subset of the DROP dataset for CQA on text, experimental results show that our additions outperform the original NMNs by 3.0 points for the overall F1 score.
• Abstract（参考訳）: 複雑な質問応答(CQA)には,数値推論技術が不可欠である。 カウント、比較、加算、減算などの操作が必要である。 テキスト上でCQAに成功しているNeural Module Networks (NMNs)は、プログラマ-解釈パラダイムに従い、特殊モジュールを活用して合成推論を行う。 しかし、NMNsフレームワークは、質問と段落の数字と実体の関係を考慮していない。 本研究では,NMNの数値推論能力を向上させるための効果的な手法を提案する。 テキスト上のCQA用DROPデータセットのサブセットでは、実験結果により、F1スコア全体に対して元のNMNを3.0ポイント上回る結果が得られた。

関連論文リスト

• Knowledge Graph Reasoning over Entities and Numerical Values [48.67312700426019]
  数値属性値を含むクエリを記述するために,新しい数値変数と演算を導入する。 また、エンティティと数値を別のエンコード構造に符号化するためのNRN(Number Reasoning Network)のフレームワークを提案する。
  論文  参考訳（メタデータ） (2023-06-02T09:46:29Z)
• MURMUR: Modular Multi-Step Reasoning for Semi-Structured Data-to-Text Generation [102.20036684996248]
  多段階推論を用いた半構造化データからテキストを生成するための,ニューロシンボリックなモジュラーアプローチであるMURMURを提案する。 WebNLG や LogicNLG のような2つのデータ・テキスト生成タスクについて実験を行った。
  論文  参考訳（メタデータ） (2022-12-16T17:36:23Z)
• Teaching Neural Module Networks to Do Arithmetic [54.06832128723388]
  インタプリタと複雑な問題の間のギャップを埋めることで、NMNをアップグレードする。 数値的推論を行う加法加法および減算加法を導入する。 DROPのサブセットでは,提案手法によりNMNの数値推論能力が17.7%向上した。
  論文  参考訳（メタデータ） (2022-10-06T06:38:04Z)
• Injecting Numerical Reasoning Skills into Knowledge Base Question Answering Models [19.964729281684363]
  本稿では,数値推論を考慮した埋め込み型KBQAフレームワークを提案する。 我々は,NT-NSMを作成するために,最先端の埋め込み型KBQAモデルであるNSM上の数値トランスフォーマーを提案する。 KBQAベンチマークの実験では、NT-NSMには数値推論スキルが備わっており、通常の制約された質問に答える際のベースラインを大幅に上回っていることが示されている。
  論文  参考訳（メタデータ） (2021-12-12T01:30:29Z)
• Weakly Supervised Neuro-Symbolic Module Networks for Numerical Reasoning [44.5641465035393]
  Weakly-Supervised Neuro-Symbolic Module Network (WNSMN)を提案する。 クエリの依存性解析から得られたノイズの多いMRCプログラムを、ニューラルおよびシンボリック推論モジュールの両方に対する離散的なアクションとして実行し、応答マッチングからの離散的な報酬で強化学習フレームワークでエンドツーエンドにトレーニングする。 これは、ノイズの多いプログラムに対する明示的な離散的推論をエンドツーエンドで処理できるモジュラーネットワークの有効性と一般化性を示す。
  論文  参考訳（メタデータ） (2021-01-28T03:36:09Z)
• Question Answering over Knowledge Bases by Leveraging Semantic Parsing and Neuro-Symbolic Reasoning [73.00049753292316]
  本稿では,意味解析と推論に基づくニューロシンボリック質問回答システムを提案する。 NSQAはQALD-9とLC-QuAD 1.0で最先端のパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2020-12-03T05:17:55Z)
• 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)

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。