論文の概要: A Two-Stage Approach towards Generalization in Knowledge Base Question
Answering
- arxiv url: http://arxiv.org/abs/2111.05825v1
- Date: Wed, 10 Nov 2021 17:45:33 GMT
- ステータス: 処理完了
- システム内更新日: 2021-11-11 14:22:12.861779
- Title: A Two-Stage Approach towards Generalization in Knowledge Base Question
Answering
- Title(参考訳): 知識ベース質問応答における一般化への二段階アプローチ
- Authors: Srinivas Ravishankar, June Thai, Ibrahim Abdelaziz, Nandana
Mihidukulasooriya, Tahira Naseem, Pavan Kapanipathi, Gaetano Rossilleo,
Achille Fokoue
- Abstract要約: 知識ベース相互作用から意味解析を明確に分離する2段階アーキテクチャに基づくKBQAフレームワークを提案する。
我々のアプローチはLC-QuAD(DBpedia)、WebQSP(Freebase)、SimpleQuestions(Wikidata)、MetaQA(Wikimovies-KG)の同等ないし最先端のパフォーマンスを実現する。
- 参考スコア(独自算出の注目度): 4.802205743713997
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Most existing approaches for Knowledge Base Question Answering (KBQA) focus
on a specific underlying knowledge base either because of inherent assumptions
in the approach, or because evaluating it on a different knowledge base
requires non-trivial changes. However, many popular knowledge bases share
similarities in their underlying schemas that can be leveraged to facilitate
generalization across knowledge bases. To achieve this generalization, we
introduce a KBQA framework based on a 2-stage architecture that explicitly
separates semantic parsing from the knowledge base interaction, facilitating
transfer learning across datasets and knowledge graphs. We show that
pretraining on datasets with a different underlying knowledge base can
nevertheless provide significant performance gains and reduce sample
complexity. Our approach achieves comparable or state-of-the-art performance
for LC-QuAD (DBpedia), WebQSP (Freebase), SimpleQuestions (Wikidata) and MetaQA
(Wikimovies-KG).
- Abstract(参考訳): 知識ベース質問回答(KBQA)の既存のアプローチは、アプローチに固有の仮定のために、あるいは異なる知識ベースで評価するために、非自明な変更を必要とするため、特定の知識ベースに焦点を当てている。
しかし、多くの一般的な知識ベースは、知識ベース全体の一般化を促進するために活用できる基礎となるスキーマの類似性を共有している。
この一般化を実現するため、2段階アーキテクチャに基づくKBQAフレームワークを導入し、セマンティックパーシングと知識ベース相互作用を明確に分離し、データセットと知識グラフ間の伝達学習を容易にする。
基礎となる知識ベースが異なるデータセットを事前トレーニングすることで、大幅なパフォーマンス向上とサンプル複雑性の低減が期待できる。
提案手法は,LC-QuAD (DBpedia), WebQSP (Freebase), SimpleQuestions (Wikidata), MetaQA (Wikimovies-KG) の同等ないし最先端のパフォーマンスを実現する。
関連論文リスト
- A Simple Baseline for Knowledge-Based Visual Question Answering [78.00758742784532]
本稿では,知識に基づく視覚質問応答(KB-VQA)の問題について述べる。
本論文の主な貢献は,よりシンプルで容易に再現可能なパイプラインを提案することである。
近年のアプローチとは対照的に,本手法はトレーニングフリーであり,外部データベースやAPIへのアクセスを必要とせず,OK-VQAおよびA-OK-VQAデータセット上で最先端の精度を実現する。
論文 参考訳(メタデータ) (2023-10-20T15:08:17Z) - ChatKBQA: A Generate-then-Retrieve Framework for Knowledge Base Question
Answering with Fine-tuned Large Language Models [13.215465389864631]
ChatKBQA は、細調整のオープンソース LLM 上に構築された新規な生成可能なKBQAフレームワークである。
実験結果から,ChatKBQAは標準KBQAデータセット上で新たな最先端性能を実現することがわかった。
論文 参考訳(メタデータ) (2023-10-13T09:45:14Z) - Bridged-GNN: Knowledge Bridge Learning for Effective Knowledge Transfer [65.42096702428347]
グラフニューラルネットワーク(GNN)は、隣接するノードから情報を集約する。
知識ブリッジ学習(KBL)は、対象ドメインに対する知識強化後部分布を学習する。
Bridged-GNNには、Bridged-Graphを構築するためのAdaptive Knowledge Retrievalモジュールと、Graph Knowledge Transferモジュールが含まれている。
論文 参考訳(メタデータ) (2023-08-18T12:14:51Z) - Few-shot In-context Learning for Knowledge Base Question Answering [31.73274700847965]
本稿では,KB-BINDERを提案する。
4つの公開ヘテロジニアスKBQAデータセットの実験結果から,KB-BINDERはコンテクスト内デモを数回しか行わず,高い性能が得られることが示された。
論文 参考訳(メタデータ) (2023-05-02T19:31:55Z) - SYGMA: System for Generalizable Modular Question Answering OverKnowledge
Bases [57.89642289610301]
SYGMAは、複数の知識ベースと複数のリアソニングタイプにまたがる汎用化を容易にするモジュラーアプローチである。
本システムの有効性を,DBpediaとWikidataの2つの異なる知識ベースに属するデータセットを用いて評価することで実証する。
論文 参考訳(メタデータ) (2021-09-28T01:57:56Z) - Incremental Knowledge Based Question Answering [52.041815783025186]
人間と同じように学習能力を段階的に拡張できるインクリメンタルKBQA学習フレームワークを提案します。
具体的には、破滅的な忘れ問題を克服するために、マージン希釈損失と協調選択方法からなる。
包括的な実験は、進化する知識ベースに取り組む際にその効果と効率を示す。
論文 参考訳(メタデータ) (2021-01-18T09:03:38Z) - KRISP: Integrating Implicit and Symbolic Knowledge for Open-Domain
Knowledge-Based VQA [107.7091094498848]
VQAの最も難しい質問の1つは、質問に答えるために画像に存在しない外部の知識を必要とする場合です。
本研究では,解答に必要な知識が与えられたり記入されたりしないオープンドメイン知識を,トレーニング時やテスト時にも検討する。
知識表現と推論には2つのタイプがあります。
まず、トランスベースのモデルで教師なし言語事前トレーニングと教師付きトレーニングデータから効果的に学ぶことができる暗黙的な知識。
論文 参考訳(メタデータ) (2020-12-20T20:13:02Z) - Question Answering over Knowledge Base using Language Model Embeddings [0.0]
本稿では,知識ベース質問回答タスクにおける事前学習言語モデルの利用に焦点を当てる。
さらに,これらの埋め込みを知識ベースから質問まで,双方向の注意機構で微調整した。
提案手法は,質問事項を表現するためのマルチヘッドアテンション機構を備えた,単純な畳み込みニューラルネットワークアーキテクチャに基づいている。
論文 参考訳(メタデータ) (2020-10-17T22:59:34Z) - A Survey on Complex Question Answering over Knowledge Base: Recent
Advances and Challenges [71.4531144086568]
知識ベース(KB)に対する質問回答(QA)は、自然言語の質問に自動的に答えることを目的としている。
研究者は、よりKBのトリプルと制約推論を必要とする単純な質問から複雑な質問へと注意を移した。
論文 参考訳(メタデータ) (2020-07-26T07:13:32Z)
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。