論文の概要: SQUIRE: A Sequence-to-sequence Framework for Multi-hop Knowledge Graph Reasoning

• arxiv url: http://arxiv.org/abs/2201.06206v1
• Date: Mon, 17 Jan 2022 04:22:54 GMT
• ステータス: 処理完了
• システム内更新日: 2022-01-19 16:47:43.660990
• Title: SQUIRE: A Sequence-to-sequence Framework for Multi-hop Knowledge Graph Reasoning
• Title（参考訳）: SQUIRE:マルチホップ知識グラフ推論のためのシーケンス・ツー・シーケンスフレームワーク
• Authors: Yushi Bai, Xin Lv, Juanzi Li, Lei Hou, Yincen Qu, Zelin Dai, Feiyu Xiong
• Abstract要約: トリプルクエリを与えられたマルチホップ推論タスクは、推論プロセスを示す明確なパスを提供することを目的としている。 SQUIREはSequence-to-Sequenceベースのマルチホップ推論フレームワークである。
• 参考スコア（独自算出の注目度）: 21.53970565708247
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Multi-hop knowledge graph (KG) reasoning has been widely studied in recent years to provide interpretable predictions on missing links. Given a triple query, multi-hop reasoning task aims to give an evidential path that indicates the inference process. Most previous works use reinforcement learning (RL) based method that learns to navigate the path towards the target entity. However, these methods suffer from slow and poor convergence, and they may fail to infer a certain path when there is a missing edge along the path. Here we present SQUIRE, the first Sequence-to-sequence based multi-hop reasoning framework, which utilizes an encoder-decoder structure to translate the query to a path. Our model design brings about two benefits: (1) It can learn and predict in an end-to-end fashion, which gives better and faster convergence; (2) Our model does not rely on existing edges to generate the path, and has the flexibility to complete missing edges along the path, especially in sparse KGs. Experiments on standard and sparse KGs show that our approach yields significant improvement over prior methods, while converging 4x-7x faster.
• Abstract（参考訳）: マルチホップ知識グラフ(KG)推論は近年広く研究されており、欠落リンクの解釈可能な予測を提供している。 トリプルクエリを与えられたマルチホップ推論タスクは、推論プロセスを示す明確なパスを提供することを目的としている。 これまでのほとんどの研究は強化学習(RL)に基づく手法を使用しており、ターゲットエンティティへの経路を学習している。 しかし、これらの手法は緩やかな収束に悩まされており、経路に沿ってエッジが欠落しているときに特定の経路を推測できない場合がある。 本稿では,最初のシーケンス・ツー・シーケンスに基づくマルチホップ推論フレームワークであるSQUIREを紹介し,エンコーダ・デコーダ構造を用いてクエリをパスに変換する。 モデル設計には2つの利点がある: 1) エンド・ツー・エンドで学習し、予測し、より良く、より高速な収束を可能にする; (2) モデルがパスを生成するために既存のエッジに依存しておらず、特に疎KGにおいて欠落したエッジを完遂する柔軟性がある。 標準KGとスパースKGを用いた実験により,従来の手法よりも精度が向上し,コンバージが4×7倍速くなった。

関連論文リスト

• 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)
• PathFinder: Guided Search over Multi-Step Reasoning Paths [80.56102301441899]
  木探索に基づく推論経路生成手法であるPathFinderを提案する。 動的デコードの統合により、多様な分岐とマルチホップ推論を強化する。 我々のモデルは、大きな分岐因子を持つビームサーチに類似した複雑さを反映して、よく、長く、目に見えない推論連鎖を一般化する。
  論文  参考訳（メタデータ） (2023-12-08T17:05:47Z)
• Single Sequence Prediction over Reasoning Graphs for Multi-hop QA [8.442412179333205]
  局所推論グラフ(モデル)フットノートコード/モデル上での単一シーケンス予測手法を提案する。 グラフニューラルネットワークを用いて、このグラフ構造を符号化し、結果の表現をモデルのエンティティ表現に融合する。 実験の結果, 正確なマッチング/F1のスコアと, 推論経路におけるグラウンドの忠実度は有意に向上した。
  論文  参考訳（メタデータ） (2023-07-01T13:15:09Z)
• 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)
• Modeling Multi-hop Question Answering as Single Sequence Prediction [88.72621430714985]
  本稿では,単純な生成手法(PathFid)を提案する。 PathFidは、マルチホップ質問に対する回答を解決するための推論プロセスを明示的にモデル化する。 実験の結果,PathFidは2つのマルチホップQAデータセットに対して高い性能向上をもたらすことが示された。
  論文  参考訳（メタデータ） (2022-05-18T21:57:59Z)
• Learning to Walk with Dual Agents for Knowledge Graph Reasoning [20.232810842082674]
  マルチホップ推論アプローチは、短い推論パスでのみうまく機能し、パスの長さが増加するとターゲットエンティティを見逃しがちである。 そこで我々は,2つのエージェント(GIANTとDWARF)が共同でKGの上を歩き,協調して回答を検索するように訓練する,二重エージェント強化学習フレームワークを提案する。 提案手法は,クラスタレベルの経路を素早く探索するエージェント(GIANT)の1つを割り当て,別のエージェント(DWARF)にステージワイドヒントを提供することによって,長い経路における推論課題に対処する。
  論文  参考訳（メタデータ） (2021-12-23T23:03:24Z)
• SMORE: Knowledge Graph Completion and Multi-hop Reasoning in Massive Knowledge Graphs [147.73127662757335]
  我々は、知識グラフ(KG)におけるシングルホップおよびマルチホップ推論のための最初の汎用フレームワークであるスケーラブルなマルチホップ推論(SMORE)を提案する。 シングルマシンのSMOREはFreebase KG(86Mエンティティ、338Mエッジ)でマルチホップ推論を行うことができる。 SMOREは、従来のマルチホップKGフレームワークよりもスループット(トレーニング速度)を、最小のGPUメモリ要件で2.2倍向上させる。
  論文  参考訳（メタデータ） (2021-10-28T05:02:33Z)
• Dynamic Anticipation and Completion for Multi-Hop Reasoning over Sparse Knowledge Graph [42.220790242917325]
  近年,知識グラフ(KG)完成のための効果的かつ解釈可能な手法を模索するために,マルチホップ推論が広く研究されている。 従来の推論手法のほとんどは、エンティティ間の十分な経路を持つ高密度KG向けに設計されているが、推論のためのスパースパスのみを含むスパースKGではうまく機能しない。 我々は,新しい動的予測と完了戦略を適用し,スパースKGよりもDacKGRという名前のマルチホップ推論モデルを提案する。
  論文  参考訳（メタデータ） (2020-10-05T10:28:03Z)
• Graph-based Multi-hop Reasoning for Long Text Generation [66.64743847850666]
  MRGはグラフベースのマルチホップ推論モジュールとパス認識文実現モジュールの2部で構成されている。 従来のブラックボックスモデルとは異なり、MRGはスケルトンパスを明示的に推論し、提案されたモデルがどのように機能するかを説明する説明的なビューを提供する。
  論文  参考訳（メタデータ） (2020-09-28T12:47:59Z)
• Multi-hop Reading Comprehension across Documents with Path-based Graph Convolutional Network [20.180529733311165]
  本稿では,このマルチホップ読解問題に対処する新しい手法を提案する。 人間の推論処理にインスパイアされた我々は,支援文書から経路ベースの推論グラフを構築する。 我々はWikiHopデータセットに対するアプローチを評価し,これまでに公表されたアプローチに対する最先端の精度を実現する。
  論文  参考訳（メタデータ） (2020-06-11T14:43:34Z)

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。