論文の概要: Expanding End-to-End Question Answering on Differentiable Knowledge
Graphs with Intersection
- arxiv url: http://arxiv.org/abs/2109.05808v1
- Date: Mon, 13 Sep 2021 09:33:50 GMT
- ステータス: 処理完了
- システム内更新日: 2021-09-14 15:44:58.127914
- Title: Expanding End-to-End Question Answering on Differentiable Knowledge
Graphs with Intersection
- Title(参考訳): 対話型知識グラフを用いたエンドツーエンド質問応答の拡張
- Authors: Priyanka Sen, Amir Saffari, Armin Oliya
- Abstract要約: 本稿では,新たな交差点操作を実装することで,多義性問題を扱うモデルを提案する。
交差点の導入により,2つのデータセットのベースラインモデルよりも性能が向上することがわかった。
- 参考スコア(独自算出の注目度): 1.2584276673531927
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: End-to-end question answering using a differentiable knowledge graph is a
promising technique that requires only weak supervision, produces interpretable
results, and is fully differentiable. Previous implementations of this
technique (Cohen et al., 2020) have focused on single-entity questions using a
relation following operation. In this paper, we propose a model that explicitly
handles multiple-entity questions by implementing a new intersection operation,
which identifies the shared elements between two sets of entities. We find that
introducing intersection improves performance over a baseline model on two
datasets, WebQuestionsSP (69.6% to 73.3% Hits@1) and ComplexWebQuestions (39.8%
to 48.7% Hits@1), and in particular, improves performance on questions with
multiple entities by over 14% on WebQuestionsSP and by 19% on
ComplexWebQuestions.
- Abstract(参考訳): 差別化可能な知識グラフを用いたエンドツーエンドの質問応答は、弱い監督のみを必要とし、解釈可能な結果を生成し、完全に差別化可能なテクニックである。
この手法のこれまでの実装(Cohen et al., 2020)は,操作後の関連性を用いて,一意質問に焦点を合わせてきた。
本稿では,2つのエンティティ間の共有要素を識別する交点演算を実装することで,多義性質問を明示的に処理するモデルを提案する。
WebQuestionsSP(69.6%から73.3%のHits@1)とComplexWebQuestions(39.8%から48.7%のHits@1)という2つのデータセットのベースラインモデル上でのパフォーマンスが向上し、特にWebQuestionsSPでは14%以上、ComplexWebQuestionsでは19%以上向上している。
関連論文リスト
- SnapNTell: Enhancing Entity-Centric Visual Question Answering with
Retrieval Augmented Multimodal LLM [48.15067480282839]
本研究は、エンティティ中心のVQAに特化して開発された、textbfSnapNTellという新しい評価ベンチマークを導入する。
データセットは22の主要なカテゴリに分けられ、合計で7,568のユニークなエンティティが含まれている。
提案手法はSnapNTellデータセットの既存手法を著しく上回り,BELURTスコアの66.5%向上を達成した。
論文 参考訳(メタデータ) (2024-03-07T18:38:17Z) - Relation-Aware Question Answering for Heterogeneous Knowledge Graphs [37.38138785470231]
既存の検索に基づくアプローチは、異なるホップにおける特定の関係に集中することで、この課題を解決する。
我々は,現在の関係表現を強化するために,ヘッドテールエンティティや関係間の意味的関係からの情報を利用することができないと主張している。
当社のアプローチは,従来の最先端技術よりも大きなパフォーマンス向上を実現している。
論文 参考訳(メタデータ) (2023-12-19T08:01:48Z) - Mutually Guided Few-shot Learning for Relational Triple Extraction [10.539566491939844]
三重抽出(MG-FTE)のための相互指導型Few-shot学習フレームワーク
本手法は,関係を分類するエンティティ誘導型リレーショナルデコーダと,エンティティを抽出するプロトデコーダとから構成される。
FewRel 1.0(単一ドメイン)では12.6F1スコア、FewRel 2.0(クロスドメイン)では20.5F1スコアで、多くの最先端手法よりも優れています。
論文 参考訳(メタデータ) (2023-06-23T06:15:54Z) - UniKGQA: Unified Retrieval and Reasoning for Solving Multi-hop Question
Answering Over Knowledge Graph [89.98762327725112]
KGQA(Multi-hop Question Answering over Knowledge Graph)は、自然言語の質問で言及されているトピックエンティティから、複数のホップを持つ回答エンティティを見つけることを目的としている。
我々は、モデルアーキテクチャとパラメータ学習の両方において、検索と推論を統合することで、マルチホップKGQAタスクの新しいアプローチであるUniKGQAを提案する。
論文 参考訳(メタデータ) (2022-12-02T04:08:09Z) - MGA-VQA: Multi-Granularity Alignment for Visual Question Answering [75.55108621064726]
視覚的な質問に答えることを学ぶことは、マルチモーダル入力が2つの特徴空間内にあるため、難しい作業である。
視覚質問応答タスク(MGA-VQA)のための多言語アライメントアーキテクチャを提案する。
我々のモデルはアライメントを異なるレベルに分割し、追加のデータやアノテーションを必要とせずにより良い相関関係を学習します。
論文 参考訳(メタデータ) (2022-01-25T22:30:54Z) - TransferNet: An Effective and Transparent Framework for Multi-hop
Question Answering over Relation Graph [66.09674676187453]
transfernetはマルチホップ質問応答の効果的で透明なモデルである。
ラベルとテキストの関係を統一されたフレームワークでサポートする。
2ホップと3ホップの質問で100%精度を達成する。
論文 参考訳(メタデータ) (2021-04-15T08:23:05Z) - Dynamic Hybrid Relation Network for Cross-Domain Context-Dependent
Semantic Parsing [52.24507547010127]
ドメイン間コンテキスト依存のセマンティック解析は研究の新たな焦点である。
本稿では,コンテキストの発話,トークン,データベーススキーマ,会話の進行に伴う複雑なインタラクションを効果的にモデル化する動的グラフフレームワークを提案する。
提案したフレームワークは既存のモデルを大きなマージンで上回り、2つの大規模ベンチマークで新しい最先端性能を達成する。
論文 参考訳(メタデータ) (2021-01-05T18:11:29Z) - HittER: Hierarchical Transformers for Knowledge Graph Embeddings [85.93509934018499]
複雑な知識グラフにおける実体と関係の表現を学習するためにHittを提案する。
実験結果から,Hittは複数リンク予測において最先端の新たな結果が得られることがわかった。
さらに,HittをBERTに統合する簡単なアプローチを提案し,その効果を2つのFreebaseファクトイド対応データセットで示す。
論文 参考訳(メタデータ) (2020-08-28T18:58:15Z) - Answering Complex Queries in Knowledge Graphs with Bidirectional
Sequence Encoders [22.63481666560029]
本稿では,双方向アテンション機構に基づくモデルで共役クエリを埋め込む手法であるBi-Directional Query Embedding (BIQE)を提案する。
本稿では,BIQEがアートベースラインを著しく上回ることを示す,結合クエリの解答を予測するための新しいデータセットを提案する。
論文 参考訳(メタデータ) (2020-04-06T12:17:57Z)
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。