論文の概要: Knowledge Graph -- Deep Learning: A Case Study in Question Answering in
Aviation Safety Domain
- arxiv url: http://arxiv.org/abs/2205.15952v1
- Date: Tue, 31 May 2022 16:49:55 GMT
- ステータス: 処理完了
- システム内更新日: 2022-06-01 12:22:34.483223
- Title: Knowledge Graph -- Deep Learning: A Case Study in Question Answering in
Aviation Safety Domain
- Title（参考訳）: 知識グラフ-深層学習 : 航空安全領域における質問応答の事例研究
- Authors: Ankush Agarwal, Raj Gite, Shreya Laddha, Pushpak Bhattacharyya,
Satyanarayan Kar, Asif Ekbal, Prabhjit Thind, Rajesh Zele, Ravi Shankar
- Abstract要約: 本稿では,航空安全のための知識グラフ(KG)誘導深層学習(DL)に基づく質問応答システムを提案する。
航空機事故報告から知識グラフを構築し,研究者のコミュニティに貢献する。
統合QAシステムは,GPT-3よりも9.3%,BERT QAより40.3%の精度向上を実現している。
- 参考スコア（独自算出の注目度）: 37.73707014280823
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: In the commercial aviation domain, there are a large number of documents,
like, accident reports (NTSB, ASRS) and regulatory directives (ADs). There is a
need for a system to access these diverse repositories efficiently in order to
service needs in the aviation industry, like maintenance, compliance, and
safety. In this paper, we propose a Knowledge Graph (KG) guided Deep Learning
(DL) based Question Answering (QA) system for aviation safety. We construct a
Knowledge Graph from Aircraft Accident reports and contribute this resource to
the community of researchers. The efficacy of this resource is tested and
proved by the aforesaid QA system. Natural Language Queries constructed from
the documents mentioned above are converted into SPARQL (the interface language
of the RDF graph database) queries and answered. On the DL side, we have two
different QA models: (i) BERT QA which is a pipeline of Passage Retrieval
(Sentence-BERT based) and Question Answering (BERT based), and (ii) the
recently released GPT-3. We evaluate our system on a set of queries created
from the accident reports. Our combined QA system achieves 9.3% increase in
accuracy over GPT-3 and 40.3% increase over BERT QA. Thus, we infer that KG-DL
performs better than either singly.
- Abstract（参考訳）: 商業航空分野では、事故報告(NTSB、ASRS)や規制指令(AD)など、多くの文書がある。
メンテナンス、コンプライアンス、安全性といった航空業界のニーズに応えるために、これらの多様なリポジトリに効率的にアクセスするシステムが必要である。
本稿では,航空安全のための知識グラフ(KG)による深層学習(DL)に基づく質問応答システムを提案する。
航空機事故報告から知識グラフを構築し,研究者のコミュニティに貢献する。
この資源の有効性を、前述のQAシステムで検証し、実証する。
上記の文書から構築された自然言語クエリは、SPARQL(RDFグラフデータベースのインタフェース言語)クエリに変換され、答えられる。
DL側では、2つの異なるQAモデルがあります。
(i)通路検索(sentence-bert based)と質問応答(bert based)のパイプラインであるbert qa
(II)最近リリースされたGPT-3。
事故報告から得られた一連の問い合わせに基づいてシステムを評価する。
統合QAシステムは,GPT-3よりも9.3%,BERT QAより40.3%の精度向上を実現している。
そこで我々は,KG-DLが単独よりも優れていることを推測した。
関連論文リスト
- Enhancing Retrieval in QA Systems with Derived Feature Association [0.0]
Retrieval augmented generation (RAG) は、長い文脈質問応答(QA)システムにおいて標準となっている。
我々は、AI派生文書(RAIDD)からレトリーバル(Retrieval)と呼ばれるRAGシステムへの新たな拡張を提案する。
論文 参考訳（メタデータ） (2024-10-02T05:24:49Z) - EWEK-QA: Enhanced Web and Efficient Knowledge Graph Retrieval for Citation-based Question Answering Systems [103.91826112815384]
引用ベースのQAシステムは2つの欠点に悩まされている。
彼らは通常、抽出された知識の源としてWebにのみ依存し、外部の知識ソースを追加することで、システムの効率を損なう。
システムに供給された知識の内容を充実させるため,Web と 効率的な知識グラフ (KG) 検索ソリューション (EWEK-QA) を提案する。
論文 参考訳（メタデータ） (2024-06-14T19:40:38Z) - Building Efficient and Effective OpenQA Systems for Low-Resource Languages [17.64851283209797]
低コストで効率的な OpenQA システムを低リソース環境向けに開発できることを示す。
主な要素は、機械翻訳されたラベル付きデータセットと関連する非構造化知識ソースを用いた、弱い監視である。
我々は,SQuAD2.0の機械翻訳であるSQuAD-TRを提案する。
論文 参考訳（メタデータ） (2024-01-07T22:11:36Z) - RealTime QA: What's the Answer Right Now? [137.04039209995932]
本稿では,動的質問応答(QA)プラットフォームであるREALTIME QAを紹介する。
GPT-3 や T5 など,大規模事前学習型言語モデルに基づく強力なベースラインモデルを構築した。
GPT-3は、検索された文書が答えを見つけるのに十分な情報を提供していない場合、時代遅れの回答を返す傾向がある。
論文 参考訳（メタデータ） (2022-07-27T07:26:01Z) - Relation-Guided Pre-Training for Open-Domain Question Answering [67.86958978322188]
複雑なオープンドメイン問題を解決するためのRGPT-QA(Relation-Guided Pre-Training)フレームワークを提案する。
RGPT-QAは, 自然質問, TriviaQA, WebQuestionsにおいて, Exact Matchの精度が2.2%, 2.4%, 6.3%向上したことを示す。
論文 参考訳（メタデータ） (2021-09-21T17:59:31Z) - Improving Unsupervised Question Answering via Summarization-Informed
Question Generation [47.96911338198302]
質問生成 (QG) とは, 質問文, 質問文, 質問文, 質問文, 質問文, 質問文, 質問文, 質問文, 質問文, 質問文, 質問文、質問文、質問文、質問文、質問文、質問文、質問文、質問文、質問文、質問文、質問文、質問文、質問文、質問文、質問文、質問文、質問文、質問文、質問文、
我々は、自由なニュース要約データを使用し、宣言文を依存性解析、名前付きエンティティ認識、セマンティックロールラベリングを用いて適切な質問に変換する。
得られた質問は、元のニュース記事と組み合わせて、エンドツーエンドのニューラルQGモデルをトレーニングする。
論文 参考訳（メタデータ） (2021-09-16T13:08:43Z) - A question-answering system for aircraft pilots' documentation [58.720142291102135]
航空宇宙産業は、システム記述、マニュアル、手順を含む複雑な文書や技術文書の大量収集に依存している。
本稿では,航空機パイロットが自然にシステムと対話し,自然言語による質問を行うことで,情報へのアクセスを支援する質問応答システムを提案する。
論文 参考訳（メタデータ） (2020-11-26T13:33:47Z) - Harvesting and Refining Question-Answer Pairs for Unsupervised QA [95.9105154311491]
教師なし質問回答(QA)を改善するための2つのアプローチを提案する。
まず、ウィキペディアから語彙的・構文的に異なる質問を抽出し、質問応答対のコーパスを自動的に構築する(RefQAと名づけられる)。
第2に、より適切な回答を抽出するためにQAモデルを活用し、RefQA上でデータを反復的に洗練する。
論文 参考訳（メタデータ） (2020-05-06T15:56:06Z)
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。