Fugu-MT 論文翻訳(概要): Finding, Scoring and Explaining Arguments in Bayesian Networks

論文の概要: Finding, Scoring and Explaining Arguments in Bayesian Networks

arxiv url: http://arxiv.org/abs/2112.00799v1
Date: Tue, 30 Nov 2021 12:41:04 GMT
ステータス: 処理完了
システム内更新日: 2021-12-04 14:05:15.538406
Title: Finding, Scoring and Explaining Arguments in Bayesian Networks
Title（参考訳）: ベイジアンネットワークにおける論点の発見, Scoring, 説明
Authors: Jaime Sevilla
Abstract要約: 独立引数の概念を定義し,関連する独立引数のリストを抽出するアルゴリズムを提案する。議論の関連性を示すために、抽出した議論を用いてメッセージパッシングを近似する方法を示す。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by/4.0/
Abstract: We propose a new approach to explain Bayesian Networks. The approach revolves around a new definition of a probabilistic argument and the evidence it provides. We define a notion of independent arguments, and propose an algorithm to extract a list of relevant, independent arguments given a Bayesian Network, a target node and a set of observations. To demonstrate the relevance of the arguments, we show how we can use the extracted arguments to approximate message passing. Finally, we show a simple scheme to explain the arguments in natural language.
Abstract（参考訳）: ベイズネットワークを説明する新しい手法を提案する。このアプローチは確率論の新しい定義とそれが与える証拠を中心に展開される。独立引数の概念を定義し,ベイズネットワーク,対象ノード,観測集合に与えられた関連する独立引数のリストを抽出するアルゴリズムを提案する。議論の関連性を示すために、抽出された引数を近似メッセージパッシングに利用する方法を示す。最後に,自然言語による議論を説明するための簡単なスキームを示す。

関連論文リスト

Explaining Bayesian Networks in Natural Language using Factor Arguments. Evaluation in the medical domain [5.999262679775618]
因子論の独立性の概念を導入し、議論がいつ共同で、あるいは別々に提示されるべきかという問題に対処する。本稿では,その強みによって順序付けられたすべての独立因子の引数のリストを生成するアルゴリズムを提案する。本提案は,ヒトによる評価研究を通じて,医学領域において検証されている。
論文参考訳（メタデータ） (2024-10-23T17:33:27Z)
Understanding Reasoning Ability of Language Models From the Perspective of Reasoning Paths Aggregation [110.71955853831707]
我々は、LMを、事前学習時に見られる間接的推論経路を集約することで、新たな結論を導出すると考えている。我々は、推論経路を知識/推論グラフ上のランダムウォークパスとして定式化する。複数のKGおよびCoTデータセットの実験と分析により、ランダムウォークパスに対するトレーニングの効果が明らかにされた。
論文参考訳（メタデータ） (2024-02-05T18:25:51Z)
A Unifying Framework for Learning Argumentation Semantics [50.69905074548764]
Inductive Logic Programmingアプローチを用いて、抽象的および構造化された議論フレームワークのアクセシビリティセマンティクスを解釈可能な方法で学習する新しいフレームワークを提案する。提案手法は既存の議論解法よりも優れており,フォーマルな議論や人間と機械の対話の領域において,新たな研究の方向性が開けることになる。
論文参考訳（メタデータ） (2023-10-18T20:18:05Z)
ArgU: A Controllable Factual Argument Generator [0.0]
ArgUは、入力された事実と実世界の概念から現実の議論を生成することができる神経引数生成器である。我々は6つのトピックと6つの引数スキームにまたがる69,428の引数からなる注釈付きコーパスを作成した。
論文参考訳（メタデータ） (2023-05-09T10:49:45Z)
Many-valued Argumentation, Conditionals and a Probabilistic Semantics for Gradual Argumentation [3.9571744700171743]
本稿では,段階的議論の意味論の多値優先的解釈を定義するための一般的な手法を提案する。概念の証明として、有限値の場合、条件付き推論に対してAnswer set Programmingアプローチが提案される。また,多値条件セマンティクスに基づく漸進的議論の確率論的セマンティクスを開発し,論じる。
論文参考訳（メタデータ） (2022-12-14T22:10:46Z)
Retrieval-Augmented Generative Question Answering for Event Argument Extraction [66.24622127143044]
イベント引数抽出のための検索拡張生成QAモデル(R-GQA)を提案する。最も類似したQAペアを検索し、現在の例のコンテキストへのプロンプトとして拡張し、引数を回答としてデコードする。提案手法は, 様々な設定において, かなり先行した手法より優れている。
論文参考訳（メタデータ） (2022-11-14T02:00:32Z)
Reinforcement Learning-based Dialogue Guided Event Extraction to Exploit Argument Relations [70.35379323231241]
本稿では、イベント引数の関係を明示的に活用することで、イベント抽出のためのより良いアプローチを提案する。我々は増補学習と漸進学習を用いて、多回反復的なプロセスを通じて複数の引数を抽出する。実験の結果,提案手法は7つの最先端イベント抽出法より一貫して優れていることがわかった。
論文参考訳（メタデータ） (2021-06-23T13:24:39Z)
Discrete Reasoning Templates for Natural Language Understanding [79.07883990966077]
我々は,複雑な質問をより単純な質問に分解する手法を提案する。事前定義された推論テンプレートの指示に従って最終回答を導出する。我々のアプローチは、解釈可能でありながら最先端技術と競合し、監督をほとんど必要としないことを示す。
論文参考訳（メタデータ） (2021-04-05T18:56:56Z)
Deep Learning for Abstract Argumentation Semantics [3.759936323189418]
本稿では,いくつかの抽象的論証セマンティクスの下での議論の受け入れを決定するための学習に基づくアプローチを提案する。本稿では,議論が受け入れられる確率を予測するために,メッセージパスアルゴリズムを学習する議論グラフニューラルネットワーク(AGNN)を提案する。
論文参考訳（メタデータ） (2020-07-15T11:37:28Z)
Aspect-Controlled Neural Argument Generation [65.91772010586605]
我々は、与えられたトピック、スタンス、アスペクトの文レベル引数を生成するために、きめ細かいレベルで制御できる引数生成のための言語モデルを訓練する。評価の結果,我々の生成モデルは高品質なアスペクト特異的な議論を生成できることがわかった。これらの議論は、データ拡張による姿勢検出モデルの性能向上と、逆問題の生成に使用できる。
論文参考訳（メタデータ） (2020-04-30T20:17:22Z)
AMPERSAND: Argument Mining for PERSuAsive oNline Discussions [41.06165177604387]
本稿では,オンライン議論フォーラムにおける議論マイニングのための計算モデルを提案する。我々のアプローチは、議論スレッド内の引数のコンポーネント間の関係を識別することに依存します。我々のモデルは最近の最先端のアプローチと比較して大幅に改善されている。
論文参考訳（メタデータ） (2020-04-30T10:33:40Z)

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。