論文の概要: Crake: Causal-Enhanced Table-Filler for Question Answering over Large
Scale Knowledge Base
- arxiv url: http://arxiv.org/abs/2207.03680v1
- Date: Fri, 8 Jul 2022 04:21:26 GMT
- ステータス: 処理完了
- システム内更新日: 2022-07-11 13:43:04.323677
- Title: Crake: Causal-Enhanced Table-Filler for Question Answering over Large
Scale Knowledge Base
- Title(参考訳): クレーク:大規模知識ベースに対する質問応答のためのカソーサル強化テーブルファイラ
- Authors: Minhao Zhang, Ruoyu Zhang, Yanzeng Li, Lei Zou
- Abstract要約: 意味解析を2段階に分類する。
第一段階では、シークエンスモデリングの問題を克服し、内部因果関係を学習するための因果拡張テーブルフィラーを提案する。
第2段階では、大規模KB上で複雑なクエリをスケールするための効率的なビーム探索アルゴリズムが提示される。
- 参考スコア(独自算出の注目度): 11.888045774125787
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Semantic parsing solves knowledge base (KB) question answering (KBQA) by
composing a KB query, which generally involves node extraction (NE) and graph
composition (GC) to detect and connect related nodes in a query. Despite the
strong causal effects between NE and GC, previous works fail to directly model
such causalities in their pipeline, hindering the learning of subtask
correlations. Also, the sequence-generation process for GC in previous works
induces ambiguity and exposure bias, which further harms accuracy. In this
work, we formalize semantic parsing into two stages. In the first stage (graph
structure generation), we propose a causal-enhanced table-filler to overcome
the issues in sequence-modelling and to learn the internal causalities. In the
second stage (relation extraction), an efficient beam-search algorithm is
presented to scale complex queries on large-scale KBs. Experiments on LC-QuAD
1.0 indicate that our method surpasses previous state-of-the-arts by a large
margin (17%) while remaining time and space efficiency. The code and models are
available at https://github.com/AOZMH/Crake.
- Abstract(参考訳): セマンティクス解析は、一般的にノード抽出(ne)とグラフ合成(gc)を含み、クエリ内の関連ノードを検出して接続するkbクエリを構成することで、知識ベース(kb)質問応答(kbqa)を解決する。
NEとGCの間に強い因果効果があるにもかかわらず、以前の研究はパイプライン内のそのような因果関係を直接モデル化することができず、サブタスク相関の学習を妨げる。
また、以前の研究におけるGCのシーケンス生成プロセスは曖昧さと露出バイアスを誘導し、精度をさらに損なう。
本研究では,意味解析を2段階に分類する。
第1段階(グラフ構造生成)では、シークエンスモデリングの問題を克服し、内部因果関係を学習するための因果拡張テーブルフィラーを提案する。
第2段階(リレーション抽出)では、大規模KB上で複雑なクエリをスケールする効率的なビーム探索アルゴリズムが提示される。
LC-QuAD 1.0における実験により, 従来の最先端技術よりも長い時間と空間効率を保ちながら, 大きなマージン(17%)を達成できた。
コードとモデルはhttps://github.com/aozmh/crakeで入手できる。
関連論文リスト
- SPARKLE: Enhancing SPARQL Generation with Direct KG Integration in Decoding [0.46040036610482665]
本稿では、SPARQLフレームワークであるSPARKLEに、新しいエンドツーエンド自然言語を提示する。
SPARKLEは、デコーディング中に知識ベースの構造を直接活用し、クエリ生成に知識を効果的に統合する。
本稿では,SPARKLEがSimpleQuestions-Wiki上で,LCQuAD 1.0上で最高のF1スコアを獲得していることを示す。
論文 参考訳(メタデータ) (2024-06-29T06:43:11Z) - Root Cause Explanation of Outliers under Noisy Mechanisms [50.59446568076628]
因果過程は、しばしばグラフとしてモデル化され、エンティティはノードであり、パス/インターコネクションはエッジである。
既存の作業は、生成プロセスにおけるノードの寄与のみを考慮している。
根本原因を特定する際,各メカニズムの個々のエッジとノードについて検討する。
論文 参考訳(メタデータ) (2023-12-19T03:24:26Z) - Event Extraction as Question Generation and Answering [72.04433206754489]
イベント抽出に関する最近の研究は、質問回答(QA)としてタスクを再編成した。
そこで我々は,QGA-EEを提案する。QGモデルにより,定型テンプレートを使わずに,リッチな文脈情報を含む質問を生成することができる。
実験の結果、QGA-EEはACE05の英語データセットで以前のシングルタスクベースのモデルよりも優れていた。
論文 参考訳(メタデータ) (2023-07-10T01:46:15Z) - Constructing and Interpreting Causal Knowledge Graphs from News [3.3071569417370745]
多くの金融職は、過去と現在における因果関係について学ぶためにニュースに頼り、将来についての情報的な決定と予測を行う。
本稿では,(1)因果関係の抽出,(2)論点クラスタリングと表現のKGへの変換という2つのステップを用いて,ニュースから因果知識グラフ(KG)を構築する手法を提案する。
論文 参考訳(メタデータ) (2023-05-16T11:33:32Z) - CUTS: Neural Causal Discovery from Irregular Time-Series Data [27.06531262632836]
時系列データからの因果発見は、機械学習における中心的なタスクである。
本稿では,ニューラルグランガー因果探索アルゴリズムであるCUTSについて述べる。
提案手法は,非理想的な観測を行う実アプリケーションに因果発見を適用するための有望なステップとなる。
論文 参考訳(メタデータ) (2023-02-15T04:16:34Z) - Towards Better Out-of-Distribution Generalization of Neural Algorithmic
Reasoning Tasks [51.8723187709964]
ニューラルネットワーク推論タスクのOOD一般化について検討する。
目標は、ディープニューラルネットワークを使用して入出力ペアからアルゴリズムを学ぶことである。
論文 参考訳(メタデータ) (2022-11-01T18:33:20Z) - TIARA: Multi-grained Retrieval for Robust Question Answering over Large
Knowledge Bases [20.751369684593985]
TIARAは、PLMやオラクルエンティティアノテーションなどを含む以前のSOTAよりも、GrailQAおよびWebQuestionsSP上の少なくとも4.1と1.1のF1ポイントが優れている。
論文 参考訳(メタデータ) (2022-10-24T02:41:10Z) - RnG-KBQA: Generation Augmented Iterative Ranking for Knowledge Base
Question Answering [57.94658176442027]
KBQAのランク・アンド・ジェネレートアプローチであるRnG-KBQAを提案する。
我々はGrailQA と WebQSP データセット上で,最先端の新たな結果を得る。
論文 参考訳(メタデータ) (2021-09-17T17:58:28Z) - Efficient Contextualization using Top-k Operators for Question Answering
over Knowledge Graphs [24.520002698010856]
本研究は,KB対応信号を用いて検索空間の無関係な部分を抽出する効率的なECQAを提案する。
最近の2つのQAベンチマークによる実験では、解答の有無、検索空間のサイズ、ランタイムに関して、最先端のベースラインよりもECQAの方が優れていることが示されている。
論文 参考訳(メタデータ) (2021-08-19T10:06:14Z) - ClarQ: A large-scale and diverse dataset for Clarification Question
Generation [67.1162903046619]
そこで我々は,スタックエクスチェンジから抽出したポストコメンデーションに基づいて,多様な,大規模な明確化質問データセットの作成を支援する,新しいブートストラップフレームワークを考案した。
質問応答の下流タスクに適用することで,新たに作成したデータセットの有用性を定量的に示す。
我々はこのデータセットを公開し、ダイアログと質問応答システムの拡張という大きな目標を掲げて、質問生成の分野の研究を促進する。
論文 参考訳(メタデータ) (2020-06-10T17:56:50Z) - 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。