論文の概要: Subgraph Retrieval Enhanced Model for Multi-hop Knowledge Base Question Answering

• arxiv url: http://arxiv.org/abs/2202.13296v1
• Date: Sun, 27 Feb 2022 05:25:20 GMT
• ステータス: 処理完了
• システム内更新日: 2022-03-01 15:37:05.250233
• Title: Subgraph Retrieval Enhanced Model for Multi-hop Knowledge Base Question Answering
• Title（参考訳）: マルチホップ知識ベース質問応答のためのサブグラフ検索モデル
• Authors: Jing Zhang, Xiaokang Zhang, Jifan Yu, Jian Tang, Jie Tang, Cuiping Li, Hong Chen
• Abstract要約: 本稿では、その後の推論プロセスから切り離された訓練可能な部分グラフ検索器(SR)を提案する。 大規模な実験により、SRは既存の検索方法よりも大幅に優れた検索性能とQA性能を示した。
• 参考スコア（独自算出の注目度）: 30.87332065914876
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Recent works on knowledge base question answering (KBQA) retrieve subgraphs for easier reasoning. A desired subgraph is crucial as a small one may exclude the answer but a large one might introduce more noises. However, the existing retrieval is either heuristic or interwoven with the reasoning, causing reasoning on the partial subgraphs, which increases the reasoning bias when the intermediate supervision is missing. This paper proposes a trainable subgraph retriever (SR) decoupled from the subsequent reasoning process, which enables a plug-and-play framework to enhance any subgraph-oriented KBQA model. Extensive experiments demonstrate SR achieves significantly better retrieval and QA performance than existing retrieval methods. Via weakly supervised pre-training as well as the end-to-end fine-tuning, SRl achieves new state-of-the-art performance when combined with NSM, a subgraph-oriented reasoner, for embedding-based KBQA methods.
• Abstract（参考訳）: 近年の知識ベース質問応答 (KBQA) は, 推論を容易にするためのサブグラフを検索している。 望まれるサブグラフは、小さなサブグラフでは答えを除外できるが、大きなグラフではより多くのノイズを発生させる。 しかし、既存の検索はヒューリスティックであるか、あるいは推論と織り合わされ、部分部分部分部分グラフの推論を引き起こし、中間の監督が失われると推論バイアスが増加する。 本稿では、その後の推論プロセスから切り離された訓練可能なサブグラフ検索器(SR)を提案し、プラグイン・アンド・プレイフレームワークにより、任意のサブグラフ指向KBQAモデルを拡張できる。 大規模な実験により、SRは既存の検索方法よりもはるかに優れた検索性能とQA性能が得られることを示した。 弱い教師付き事前学習とエンドツーエンドの微調整により、SRlはKBQAメソッドを埋め込むために、サブグラフ指向の推論器であるNSMと組み合わせることで、新しい最先端のパフォーマンスを実現する。

関連論文リスト

• Intrinsic Subgraph Generation for Interpretable Graph based Visual Question Answering [27.193336817953142]
  グラフに基づく視覚質問応答(VQA)に対する解釈可能なアプローチを提案する。 本モデルは,問合せ処理中に本質的にサブグラフを生成するように設計されている。 生成した部分グラフを,グラフニューラルネットワークの確立したポストホックな説明可能性法と比較し,人的評価を行う。
  論文  参考訳（メタデータ） (2024-03-26T12:29:18Z)
• PipeNet: Question Answering with Semantic Pruning over Knowledge Graphs [56.5262495514563]
  本稿では,雑音の多い計算ノードに対して,グラウンドング・プルーニング・レゾニング・パイプラインを提案する。 また,グラフアテンションネットワーク(GAT)をベースとしたサブグラフデータに基づくモジュールを提案する。
  論文  参考訳（メタデータ） (2024-01-31T01:37:33Z)
• 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)
• Questions Are All You Need to Train a Dense Passage Retriever [123.13872383489172]
  ARTは、ラベル付きトレーニングデータを必要としない高密度検索モデルをトレーニングするための、新しいコーパスレベルのオートエンコーディングアプローチである。 そこで,(1) 入力質問を用いて証拠文書の集合を検索し,(2) 文書を用いて元の質問を再構築する確率を計算する。
  論文  参考訳（メタデータ） (2022-06-21T18:16:31Z)
• Autoregressive Search Engines: Generating Substrings as Document Identifiers [53.0729058170278]
  自動回帰言語モデルは、回答を生成するデファクト標準として現れています。 これまでの研究は、探索空間を階層構造に分割する方法を探究してきた。 本研究では,検索空間の任意の構造を強制しない代替として,経路内のすべてのngramを識別子として使用することを提案する。
  論文  参考訳（メタデータ） (2022-04-22T10:45:01Z)
• Augmenting Pre-trained Language Models with QA-Memory for Open-Domain Question Answering [38.071375112873675]
  質問応答型エンコーダデコーダモデルの提案と事前学習戦略について述べる。 これにより、シングルホップのQAタスクにおいて、以前のQA検索方法よりも優れたエンドツーエンドシステムが得られる。
  論文  参考訳（メタデータ） (2022-04-10T02:33:00Z)
• Knowledge Base Question Answering by Case-based Reasoning over Subgraphs [81.22050011503933]
  本モデルでは,既存のKG補完アルゴリズムよりも複雑な推論パターンを必要とする問合せに対して,より効果的に答えることを示す。 提案モデルは、KBQAベンチマークの最先端モデルよりも優れているか、競合的に動作する。
  論文  参考訳（メタデータ） (2022-02-22T01:34:35Z)
• Graph-augmented Learning to Rank for Querying Large-scale Knowledge Graph [34.774049199809426]
  情報検索に基づく知識グラフ質問応答(KGQA)は,大規模知識グラフから回答を取得して回答することを目的としている。 まず,検索したKSGを,新しいサブグラフ分割アルゴリズムを用いて,より小さなKSGに分割する。 次に、ランク付けモデルから上位のKSGを選択するためのグラフ拡張学習を提案する。
  論文  参考訳（メタデータ） (2021-11-20T08:27:37Z)
• Revisiting Deep Local Descriptor for Improved Few-Shot Classification [56.74552164206737]
  textbfDense textbfClassification と textbfAttentive textbfPooling を利用して埋め込みの質を向上させる方法を示す。 広範に使われているグローバル平均プール (GAP) の代わりに, 注意深いプールを施し, 特徴マップをプールすることを提案する。
  論文  参考訳（メタデータ） (2021-03-30T00:48:28Z)
• Pattern-aware Data Augmentation for Query Rewriting in Voice Assistant Systems [10.332550622090718]
  既存のトレーニングペアからパターンを学習し、ラベルの書き換えから書き換え候補を逆に生成し、不十分なQRトレーニングデータを補う拡張フレームワークを提案する。 実験の結果,QRベースラインを十分に訓練し,低リソース領域やローカライズ領域でのQR性能向上に有効である可能性が示された。
  論文  参考訳（メタデータ） (2020-12-21T16:36:32Z)

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。