論文の概要: Relevant CommonSense Subgraphs for "What if..." Procedural Reasoning
- arxiv url: http://arxiv.org/abs/2203.11187v1
- Date: Mon, 21 Mar 2022 17:57:58 GMT
- ステータス: 処理完了
- システム内更新日: 2022-03-22 16:16:53.102487
- Title: Relevant CommonSense Subgraphs for "What if..." Procedural Reasoning
- Title(参考訳): 関連論文「もし...」
手続き的推論
- Authors: Chen Zheng, Parisa Kordjamshidi
- Abstract要約: 本研究では、手続き的テキスト上で因果推論を学習して「もし...」質問に答えることの課題について検討する。
本稿では,知識グラフから最も関連性の高い情報を持つコモンセンスサブグラフを効率的に抽出する,新しいマルチホップグラフ推論モデルを提案する。
我々は,WIQAベンチマークを用いて評価を行い,最近のモデルと比較して最先端の性能を実現する。
- 参考スコア(独自算出の注目度): 22.06211725256875
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: We study the challenge of learning causal reasoning over procedural text to
answer "What if..." questions when external commonsense knowledge is required.
We propose a novel multi-hop graph reasoning model to 1) efficiently extract a
commonsense subgraph with the most relevant information from a large knowledge
graph; 2) predict the causal answer by reasoning over the representations
obtained from the commonsense subgraph and the contextual interactions between
the questions and context. We evaluate our model on WIQA benchmark and achieve
state-of-the-art performance compared to the recent models.
- Abstract(参考訳): 我々は,外部コモンセンスの知識が必要な場合,手続きテキスト上で因果推論を学ぶことの課題について検討する。
本稿では,新しいマルチホップグラフ推論モデルを提案する。
1) 大規模知識グラフから最も関連性の高い情報を効率的に抽出する。
2)コモンセンスのサブグラフから得られた表現と,質問と文脈間の文脈的相互作用を考察し,因果解を予測する。
我々は,WIQAベンチマークを用いて評価を行い,最近のモデルと比較して最先端の性能を実現する。
関連論文リスト
- Complex Reasoning over Logical Queries on Commonsense Knowledge Graphs [61.796960984541464]
論理クエリをサンプリングして作成した新しいデータセットであるCOM2(COMplex COMmonsense)を提示する。
我々は、手書きのルールと大きな言語モデルを用いて、複数の選択とテキスト生成の質問に言語化します。
COM2でトレーニングされた言語モデルでは、複雑な推論能力が大幅に改善されている。
論文 参考訳(メタデータ) (2024-03-12T08:13:52Z) - Towards a Holistic Understanding of Mathematical Questions with
Contrastive Pre-training [65.10741459705739]
本稿では,数学的問題表現,すなわち QuesCo に対する対照的な事前学習手法を提案する。
まず、コンテンツレベルと構造レベルを含む2段階の質問強化を設計し、類似した目的で文字通り多様な質問ペアを生成する。
そこで我々は,知識概念の階層的情報を完全に活用するために,知識階層を意識したランク戦略を提案する。
論文 参考訳(メタデータ) (2023-01-18T14:23:29Z) - Question-Answer Sentence Graph for Joint Modeling Answer Selection [122.29142965960138]
我々は,質問文,質問文,回答文のペア間のスコアを計算するための最先端(SOTA)モデルを訓練し,統合する。
オンライン推論は、目に見えないクエリのAS2タスクを解決するために実行される。
論文 参考訳(メタデータ) (2022-02-16T05:59:53Z) - GreaseLM: Graph REASoning Enhanced Language Models for Question
Answering [159.9645181522436]
GreaseLMは、事前訓練されたLMとグラフニューラルネットワークの符号化された表現を、複数の層にわたるモダリティ相互作用操作で融合する新しいモデルである。
GreaseLMは、状況制約と構造化知識の両方の推論を必要とする問題に、より確実に答えることができる。
論文 参考訳(メタデータ) (2022-01-21T19:00:05Z) - Graph Collaborative Reasoning [18.45161138837384]
グラフ協調推論(GCR)は、論理的推論の観点からグラフ上の関係推論に隣接リンク情報を使用することができる。
そこで我々は,グラフ構造を論理式に変換する簡単な手法を提案し,リンク予測タスクをニューラルネットワーク推論問題に変換する。
本研究の有効性を示すため,一般的なベンチマークデータセットに基づくリンク予測やレコメンデーションなどのグラフ関連タスクの実験を行った。
論文 参考訳(メタデータ) (2021-12-27T14:27:58Z) - Dynamic Semantic Graph Construction and Reasoning for Explainable
Multi-hop Science Question Answering [50.546622625151926]
マルチホップQAのための説明可能性を得ながら,より有効な事実を活用できる新しいフレームワークを提案する。
a) tt AMR-SG,(a) tt AMR-SG,(a) tt AMR-SG,(a) tt AMR-SG,(c) グラフ畳み込みネットワーク(GCN)を利用した事実レベルの関係モデリング,(c) 推論過程の導出を行う。
論文 参考訳(メタデータ) (2021-05-25T09:14:55Z) - Integrating Subgraph-aware Relation and DirectionReasoning for Question
Answering [26.254684189099496]
知識ベース(kbs)上の質問応答(qa)モデルは、エンティティ間の関係情報を利用することで、より正確な回答を提供できる。
本研究では,各サブグラフ内の関係を追加ノードに変換して構造情報を学習するニューラルモデル Relation-updated Direction-Guided Answer Selector (RDAS) を提案する。
論文 参考訳(メタデータ) (2021-04-01T03:04:36Z) - A Hierarchical Reasoning Graph Neural Network for The Automatic Scoring
of Answer Transcriptions in Video Job Interviews [14.091472037847499]
質問応答対の自動評価のための階層型推論グラフニューラルネットワーク(HRGNN)を提案する。
我々は,現在QAセッションの相互作用状態をモデル化するために,意味レベル推論グラフアテンションネットワークを利用する。
最後に,最終予測のための時間的質問応答対を表すゲート再帰単位エンコーダを提案する。
論文 参考訳(メタデータ) (2020-12-22T12:27:45Z) - Knowledge-Routed Visual Question Reasoning: Challenges for Deep
Representation Embedding [140.5911760063681]
VQAモデル評価のためのナレッジルーティング視覚質問推論という新しいデータセットを提案する。
視覚ゲノムシーングラフと外部知識ベースの両方に基づいて,制御プログラムを用いて質問応答対を生成する。
論文 参考訳(メタデータ) (2020-12-14T00:33:44Z) - Cross-modal Knowledge Reasoning for Knowledge-based Visual Question
Answering [27.042604046441426]
KVQA(Knowledge-based Visual Question Answering)は、画像に関する質問に答えるために、可視コンテンツ以外の外部知識を必要とする。
本稿では,視覚的,意味的,事実的な視点から,複数の知識グラフによる画像を記述する。
我々は、モデルを一連のメモリベースの推論ステップに分解し、それぞれがGラーフベースのR ead、U pdate、C ontrolによって実行される。
我々は、FVQA、Visual7W-KB、OK-VQAを含む3つの人気のあるベンチマークデータセットに対して、最先端のパフォーマンスを新たに達成する。
論文 参考訳(メタデータ) (2020-08-31T23:25:01Z) - Scalable Multi-Hop Relational Reasoning for Knowledge-Aware Question
Answering [35.40919477319811]
本稿では,事前学習された言語モデルにマルチホップ関係推論モジュールを組み込む新しい知識認識手法を提案する。
外部知識グラフから抽出したサブグラフに対して、マルチホップ、マルチリレーショナル推論を行う。
パスベースの推論手法とグラフニューラルネットワークを統合して、より優れた解釈性とスケーラビリティを実現する。
論文 参考訳(メタデータ) (2020-05-01T23:10:26Z)
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。