論文の概要: Interpretable Proof Generation via Iterative Backward Reasoning

• arxiv url: http://arxiv.org/abs/2205.10714v2
• Date: Tue, 24 May 2022 08:58:36 GMT
• ステータス: 処理完了
• システム内更新日: 2022-05-30 06:30:16.208851
• Title: Interpretable Proof Generation via Iterative Backward Reasoning
• Title（参考訳）: 反復逆推論による解釈可能な証明生成
• Authors: Hanhao Qu, Yu Cao, Jun Gao, Liang Ding, Ruifeng Xu
• Abstract要約: ルールベース質問回答(QA)における証明生成タスクを解決するための反復的後方推論モデルIRRを提案する。 1) 証明パスのノードとエッジを反復的に後方に予測することで, 詳細な追跡による推論手順の解釈可能性を高めること, 2) 証明生成時に外部ノイズを発生させる可能性のある中間テキストを使わずに, ノードと履歴パスの詳細な表現を推論することで, 効率と精度を向上させること。
• 参考スコア（独自算出の注目度）: 37.03964644070573
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We present IBR, an Iterative Backward Reasoning model to solve the proof generation tasks on rule-based Question Answering (QA), where models are required to reason over a series of textual rules and facts to find out the related proof path and derive the final answer. We handle the limitations of existed works in two folds: 1) enhance the interpretability of reasoning procedures with detailed tracking, by predicting nodes and edges in the proof path iteratively backward from the question; 2) promote the efficiency and accuracy via reasoning on the elaborate representations of nodes and history paths, without any intermediate texts that may introduce external noise during proof generation. There are three main modules in IBR, QA and proof strategy prediction to obtain the answer and offer guidance for the following procedure; parent node prediction to determine a node in the existing proof that a new child node will link to; child node prediction to find out which new node will be added to the proof. Experiments on both synthetic and paraphrased datasets demonstrate that IBR has better in-domain performance as well as cross-domain transferability than several strong baselines. Our code and models are available at https://github.com/find-knowledge/IBR .
• Abstract（参考訳）: 本稿では,規則に基づく質問応答 (qa) における証明生成課題を解決するための反復的逆推論モデル ibr を提案する。 既存の作品の限界を2つの折りたたみで処理します。 1) 証明経路のノード及びエッジを問題から反復的に予測することにより,詳細な追跡による推論手順の解釈性を高めること。 2) 証明生成時に外部ノイズを発生させる可能性のある中間テキストなしで, ノードや履歴経路の精巧な表現を推論することで, 効率と精度を向上する。 ibr、qa、および証明戦略予測の3つの主要なモジュールがあり、回答を得て、以下の手順のためのガイダンスを提供する。 親ノード予測 新しい子ノードがリンクする既存の証明内のノードを決定するための親ノード予測、証明にどの新しいノードを追加するかを見つける子ノード予測。 合成データセットとパラフレッシュデータセットの両方の実験により、ibrは複数の強力なベースラインよりもドメイン内性能とクロスドメイン転送性が優れていることが示されている。 私たちのコードとモデルはhttps://github.com/find-knowledge/ibrで利用可能です。

関連論文リスト

• Self-Explainable Graph Neural Networks for Link Prediction [30.41648521030615]
  グラフニューラルネットワーク(GNN)はリンク予測の最先端性能を達成した。 GNNは解釈性に乏しいため、重要なシナリオでは採用が制限される。 そこで我々は,このノードから他のノードへのリンクに対するペア固有の表現を学習するために,あるノードの様々なK$重要な隣人を見つけることができる新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2023-05-21T21:57:32Z)
• Open-domain Question Answering via Chain of Reasoning over Heterogeneous Knowledge [82.5582220249183]
  異種知識ソース間のシングル/マルチホップ質問に応答する新しいオープンドメイン質問応答(ODQA)フレームワークを提案する。 分離された証拠を収集するためにレトリバーにのみ依存する従来の方法とは異なり、我々の仲介者は検索された集合に対する推論の連鎖を実行する。 本システムは,2つのODQAデータセットであるOTT-QAとNQに対して,Wikipediaの表や節に対する競合性能を実現する。
  論文  参考訳（メタデータ） (2022-10-22T03:21:32Z)
• Entailment Tree Explanations via Iterative Retrieval-Generation Reasoner [56.08919422452905]
  我々はIRGR(Iterative Retrieval-Generation Reasoner)と呼ばれるアーキテクチャを提案する。 本モデルでは,テキストの前提からステップバイステップの説明を体系的に生成することにより,与えられた仮説を説明することができる。 前提条件の検索と細分化木の生成に関する既存のベンチマークを上回り、全体の正しさはおよそ300%向上した。
  論文  参考訳（メタデータ） (2022-05-18T21:52:11Z)
• multiPRover: Generating Multiple Proofs for Improved Interpretability in Rule Reasoning [73.09791959325204]
  我々は、自然言語の事実と規則の形で明示的な知識を推論することを目的としている言語形式推論の一種に焦点を当てる。 PRoverという名前の最近の研究は、質問に答え、答えを説明する証明グラフを生成することによって、そのような推論を行う。 本研究では,自然言語規則ベースの推論のために複数の証明グラフを生成するという,新たな課題に対処する。
  論文  参考訳（メタデータ） (2021-06-02T17:58:35Z)
• FiD-Ex: Improving Sequence-to-Sequence Models for Extractive Rationale Generation [19.73842483996047]
  本研究では,セq2seqモデルの欠点に対処するFiD-Exを開発した。 FiD-Exは、ERASER説明可能性ベンチマークの複数のタスクにおける説明基準とタスク精度の観点から、以前の作業よりも大幅に改善されている。
  論文  参考訳（メタデータ） (2020-12-31T07:22:15Z)
• PRover: Proof Generation for Interpretable Reasoning over Rules [81.40404921232192]
  本稿では,ルールベース上の二項質問に応答し,対応する証明を生成するトランスフォーマーモデルを提案する。 本モデルは,効率的な制約付き学習パラダイムを用いて,証明グラフに対応するノードやエッジを予測できることを学習する。 我々は、QAと証明生成のための有望な結果を示すために、合成、手書き、人文による規則ベースの実験を行う。
  論文  参考訳（メタデータ） (2020-10-06T15:47:53Z)
• BSN++: Complementary Boundary Regressor with Scale-Balanced Relation Modeling for Temporal Action Proposal Generation [85.13713217986738]
  我々は,時間的提案生成のための補完的境界回帰器と関係モデリングを利用する新しいフレームワークであるBSN++を提案する。 当然のことながら、提案されたBSN++は、時間的アクションローカライゼーションタスクに関するCVPR19 - ActivityNetのリーダーボードで1位にランクインした。
  論文  参考訳（メタデータ） (2020-09-15T07:08:59Z)
• Inductive Link Prediction for Nodes Having Only Attribute Information [21.714834749122137]
  属性グラフでは、構造情報と属性情報の両方をリンク予測に利用することができる。 2つのノード埋め込みエンコーダと1つのアライメント機構からなるDEALモデルを提案する。 提案手法は,既存のインダクティブリンク予測手法よりも優れ,また,トランスダクティブリンク予測における最先端手法よりも優れる。
  論文  参考訳（メタデータ） (2020-07-16T00:51:51Z)

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。