論文の概要: Compositional Semantics and Inference System for Temporal Order based on Japanese CCG

• arxiv url: http://arxiv.org/abs/2204.09245v1
• Date: Wed, 20 Apr 2022 06:21:21 GMT
• ステータス: 処理完了
• システム内更新日: 2022-04-21 14:15:55.927832
• Title: Compositional Semantics and Inference System for Temporal Order based on Japanese CCG
• Title（参考訳）: 日本語CCGに基づく時間順の合成意味論と推論システム
• Authors: Tomoki Sugimoto, Hitomi Yanaka
• Abstract要約: 本稿では,日本語の時間順を考慮した論理型自然言語推論システムを提案する。 本システムでは,時間的関係と自動定理証明器の公理を用いて時間的順序を考慮した推論を行う。 我々は,従来の論理ベースのシステムや,現在のディープラーニングベースのモデルよりも優れていることを示す。
• 参考スコア（独自算出の注目度）: 9.683269364766426
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Natural Language Inference (NLI) is the task of determining whether a premise entails a hypothesis. NLI with temporal order is a challenging task because tense and aspect are complex linguistic phenomena involving interactions with temporal adverbs and temporal connectives. To tackle this, temporal and aspectual inference has been analyzed in various ways in the field of formal semantics. However, a Japanese NLI system for temporal order based on the analysis of formal semantics has not been sufficiently developed. We present a logic-based NLI system that considers temporal order in Japanese based on compositional semantics via Combinatory Categorial Grammar (CCG) syntactic analysis. Our system performs inference involving temporal order by using axioms for temporal relations and automated theorem provers. We evaluate our system by experimenting with Japanese NLI datasets that involve temporal order. We show that our system outperforms previous logic-based systems as well as current deep learning-based models.
• Abstract（参考訳）: 自然言語推論 (nli) は、前提が仮説を伴うかどうかを決定するタスクである。 時間的順序を持つNLIは、時制とアスペクトが時間的副詞と時間的接続物との相互作用を含む複雑な言語現象であるため、困難な課題である。 これに対処するために、時間的およびアスペクト的推論は形式的意味論の分野において様々な方法で分析されてきた。 しかし,形式的意味論の分析に基づく日本語の時間秩序システムNLIは十分に開発されていない。 本稿では,コンビネータ・カテゴリ文法(ccg)構文解析による合成意味論に基づく日本語の時間順序を考慮した論理ベースのnliシステムを提案する。 本システムでは,時間関係の公理と自動定理生成を用いて時間次数を含む推論を行う。 時間順を含む日本語NLIデータセットを実験し,本システムの評価を行った。 その結果,本システムは従来の論理系システムや現在のディープラーニングモデルよりも優れていることがわかった。

関連論文リスト

• An Overview Of Temporal Commonsense Reasoning and Acquisition [20.108317515225504]
  時間的コモンセンス推論(英: Temporal Commonsense reasoning)とは、フレーズ、行動、出来事の典型的な時間的文脈を理解する能力である。 大規模言語モデルの性能に関する最近の研究は、しばしば推論においてショートカットを行い、単純な言語トラップに陥ることが示唆されている。
  論文  参考訳（メタデータ） (2023-07-28T01:30:15Z)
• Unlocking Temporal Question Answering for Large Language Models with Tailor-Made Reasoning Logic [84.59255070520673]
  大きな言語モデル(LLM)は、時間的推論に関わる際に課題に直面します。 本研究では,時間的質問応答タスクに特化して設計された新しいフレームワークであるTempLogicを提案する。
  論文  参考訳（メタデータ） (2023-05-24T10:57:53Z)
• Variational Cross-Graph Reasoning and Adaptive Structured Semantics Learning for Compositional Temporal Grounding [143.5927158318524]
  テンポラルグラウンドティング(Temporal grounding)とは、クエリ文に従って、未編集のビデオから特定のセグメントを特定するタスクである。 新たに構成時間グラウンドタスクを導入し,2つの新しいデータセット分割を構築した。 ビデオや言語に内在する構造的意味論は、構成的一般化を実現する上で重要な要素である、と我々は主張する。
  論文  参考訳（メタデータ） (2023-01-22T08:02:23Z)
• Generic Temporal Reasoning with Differential Analysis and Explanation [61.96034987217583]
  時間差分解析でギャップを埋めるTODAYという新しいタスクを導入する。 TODAYは、システムがインクリメンタルな変化の効果を正しく理解できるかどうかを評価する。 共同学習においてTODAYの指導スタイルと説明アノテーションが有効であることを示す。
  論文  参考訳（メタデータ） (2022-12-20T17:40:03Z)
• Neural-Symbolic Recursive Machine for Systematic Generalization [113.22455566135757]
  我々は、基底記号システム(GSS)のコアとなるニューラル・シンボリック再帰機械(NSR)を紹介する。 NSRは神経知覚、構文解析、意味推論を統合している。 我々はNSRの有効性を,系統的一般化能力の探索を目的とした4つの挑戦的ベンチマークで評価した。
  論文  参考訳（メタデータ） (2022-10-04T13:27:38Z)
• Interpretable Time-series Representation Learning With Multi-Level Disentanglement [56.38489708031278]
  Disentangle Time Series (DTS)は、シーケンシャルデータのための新しいDisentanglement Enhanceingフレームワークである。 DTSは時系列の解釈可能な表現として階層的意味概念を生成する。 DTSは、セマンティック概念の解釈性が高く、下流アプリケーションで優れたパフォーマンスを実現します。
  論文  参考訳（メタデータ） (2021-05-17T22:02:24Z)
• Temporal Answer Set Programming [3.263632801414296]
  本稿では,その知識表現と宣言的問題解決への応用の観点から,時間論理プログラミングの概要を述べる。 本研究は,TEL(Temporal Equilibrium Logic)と呼ばれる非単調な形式論の最近の成果に焦点を当てる。 第2部では,ASP.NET に近い時間論理プログラムと呼ばれる構文的断片を定義し,この問題が解決器 TEINGO の構築においてどのように活用されたかを説明する。
  論文  参考訳（メタデータ） (2020-09-14T16:13:36Z)
• Systematic Generalization on gSCAN with Language Conditioned Embedding [19.39687991647301]
  体系的一般化とは、学習アルゴリズムが学習した振る舞いを目に見えない状況に外挿する能力を指す。 本稿では,入力自然言語を条件とした動的メッセージパッシングによるオブジェクトの文脈的埋め込みを学習する手法を提案する。
  論文  参考訳（メタデータ） (2020-09-11T17:35:05Z)
• Supporting Optimal Phase Space Reconstructions Using Neural Network Architecture for Time Series Modeling [68.8204255655161]
  位相空間特性を暗黙的に学習する機構を持つ人工ニューラルネットワークを提案する。 私たちのアプローチは、ほとんどの最先端戦略と同じくらいの競争力があるか、あるいは優れているかのどちらかです。
  論文  参考訳（メタデータ） (2020-06-19T21:04:47Z)
• Logical Inferences with Comparatives and Generalized Quantifiers [18.58482811176484]
  自然言語推論タスクでは,比較のための論理推論システムが十分に開発されていない。 英語の様々な比較構成をカテゴリー文法(CCG)を通して意味表現にマッピングする構成意味論を提案する。 このシステムは,最近のディープラーニングモデルと同様に,従来の論理ベースのシステムよりも優れていることを示す。
  論文  参考訳（メタデータ） (2020-05-16T11:11:48Z)
• Probing Linguistic Systematicity [11.690179162556353]
  ニューラルモデルがしばしば非体系的に一般化する証拠が蓄積されている。 ネットワークアーキテクチャが非体系的に一般化できる方法を特定し、なぜそのような一般化が不満足なのかについて議論する。
  論文  参考訳（メタデータ） (2020-05-08T23:31:31Z)

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。