論文の概要: AdaLoGN: Adaptive Logic Graph Network for Reasoning-Based Machine Reading Comprehension

• arxiv url: http://arxiv.org/abs/2203.08992v1
• Date: Wed, 16 Mar 2022 23:51:01 GMT
• ステータス: 処理完了
• システム内更新日: 2022-03-19 06:14:28.350378
• Title: AdaLoGN: Adaptive Logic Graph Network for Reasoning-Based Machine Reading Comprehension
• Title（参考訳）: adalogn:推論に基づく機械読解のための適応論理グラフネットワーク
• Authors: Xiao Li, Gong Cheng, Ziheng Chen, Yawei Sun, Yuzhong Qu
• Abstract要約: ReClorやLogiQAといった最近の機械学習の理解データセットでは、テキスト上で論理的推論を行う必要がある。 本稿では, テキスト単位間の論理的関係を表すグラフ上で, 応答を予測し, メッセージを渡すニューラルシンボリックなアプローチを提案する。
• 参考スコア（独自算出の注目度）: 21.741085513119785
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Recent machine reading comprehension datasets such as ReClor and LogiQA require performing logical reasoning over text. Conventional neural models are insufficient for logical reasoning, while symbolic reasoners cannot directly apply to text. To meet the challenge, we present a neural-symbolic approach which, to predict an answer, passes messages over a graph representing logical relations between text units. It incorporates an adaptive logic graph network (AdaLoGN) which adaptively infers logical relations to extend the graph and, essentially, realizes mutual and iterative reinforcement between neural and symbolic reasoning. We also implement a novel subgraph-to-node message passing mechanism to enhance context-option interaction for answering multiple-choice questions. Our approach shows promising results on ReClor and LogiQA.
• Abstract（参考訳）: ReClorやLogiQAといった最近の機械学習の理解データセットは、テキストよりも論理的推論を必要とする。 従来のニューラルモデルは論理的推論には不十分であり、シンボリック推論は直接テキストに適用できない。 この課題に対処するため,我々は,回答を予測するために,テキスト単位間の論理的関係を表すグラフにメッセージを渡す,ニューラルシンボリックなアプローチを提案する。 適応論理グラフネットワーク(AdaLoGN)は、適応的に論理関係を推論してグラフを拡張し、本質的には、ニューラルネットワークと記号的推論の相互および反復的な強化を実現する。 また,複数の質問に回答するためのコンテキスト-オプション間相互作用を強化するために,新しいサブグラフ-ノード間メッセージパッシング機構を実装した。 我々のアプローチは、ReClorとLogiQAで有望な結果を示す。

関連論文リスト

• LOGICSEG: Parsing Visual Semantics with Neural Logic Learning and Reasoning [73.98142349171552]
  LOGICSEGは、神経誘導学習と論理推論をリッチデータとシンボリック知識の両方に統合する、全体論的視覚意味論である。 ファジィ論理に基づく連続的な緩和の間、論理式はデータとニューラルな計算グラフに基礎を置いており、論理によるネットワークトレーニングを可能にする。 これらの設計によりLOGICSEGは、既存のセグメンテーションモデルに容易に統合できる汎用的でコンパクトなニューラル論理マシンとなる。
  論文  参考訳（メタデータ） (2023-09-24T05:43:19Z)
• Modeling Hierarchical Reasoning Chains by Linking Discourse Units and Key Phrases for Reading Comprehension [80.99865844249106]
  本稿では,論理的推論の基盤として,対話レベルと単語レベルの両方の文脈を扱う総合グラフネットワーク(HGN)を提案する。 具体的には、ノードレベルの関係とタイプレベルの関係は、推論過程におけるブリッジと解釈できるが、階層的な相互作用機構によってモデル化される。
  論文  参考訳（メタデータ） (2023-06-21T07:34:27Z)
• Discourse-Aware Graph Networks for Textual Logical Reasoning [142.0097357999134]
  パッセージレベルの論理関係は命題単位間の係り合いまたは矛盾を表す(例、結論文) 論理的推論QAを解くための論理構造制約モデリングを提案し、談話対応グラフネットワーク(DAGN)を導入する。 ネットワークはまず、インラインの談話接続とジェネリック論理理論を利用した論理グラフを構築し、その後、エッジ推論機構を用いて論理関係を進化させ、グラフ機能を更新することで論理表現を学習する。
  論文  参考訳（メタデータ） (2022-07-04T14:38:49Z)
• Neural-Symbolic Models for Logical Queries on Knowledge Graphs [17.290758383645567]
  両世界の利点を享受するニューラルシンボリックモデルであるグラフニューラルネットワーククエリ実行器(GNN-QE)を提案する。 GNN-QEは複雑なFOLクエリを、ファジィ集合上の関係投影と論理演算に分解する。 3つのデータセットの実験により、GNN-QEはFOLクエリに応答する以前の最先端モデルよりも大幅に改善されている。
  論文  参考訳（メタデータ） (2022-05-16T18:39:04Z)
• Logiformer: A Two-Branch Graph Transformer Network for Interpretable Logical Reasoning [10.716971124214332]
  テキストの論理的推論に2分岐グラフ変換器ネットワークを利用するエンドツーエンドモデルLogiformerを提案する。 テキストを2つの論理単位に分割し,それぞれ論理グラフと構文グラフを構築する。 推論プロセスは、人間の認知と整合した論理単位を用いることで解釈可能性を提供する。
  論文  参考訳（メタデータ） (2022-05-02T08:34:59Z)
• DAGN: Discourse-Aware Graph Network for Logical Reasoning [83.8041050565304]
  本論文では,テキストの対話構造に依存した対話型グラフネットワーク (DAGN) を提案する。 本モデルは,基本談話単位(EDU)と談話関係を持つグラフとして談話情報を符号化し,下流QAタスクのためのグラフネットワークを介して談話認識特徴を学習する。
  論文  参考訳（メタデータ） (2021-03-26T09:41:56Z)
• Question Answering over Knowledge Bases by Leveraging Semantic Parsing and Neuro-Symbolic Reasoning [73.00049753292316]
  本稿では,意味解析と推論に基づくニューロシンボリック質問回答システムを提案する。 NSQAはQALD-9とLC-QuAD 1.0で最先端のパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2020-12-03T05:17:55Z)
• Multi-Step Inference for Reasoning Over Paragraphs [95.91527524872832]
  テキスト上の複雑な推論には、自由形式の述語と論理的な連結体を理解し、連鎖する必要がある。 本稿では,ニューラルネットワークを連想させる構成モデルを提案する。
  論文  参考訳（メタデータ） (2020-04-06T21:12:53Z)

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。