論文の概要: TwiRGCN: Temporally Weighted Graph Convolution for Question Answering over Temporal Knowledge Graphs

• arxiv url: http://arxiv.org/abs/2210.06281v2
• Date: Fri, 6 Oct 2023 00:00:12 GMT
• ステータス: 処理完了
• システム内更新日: 2023-10-13 16:21:45.942988
• Title: TwiRGCN: Temporally Weighted Graph Convolution for Question Answering over Temporal Knowledge Graphs
• Title（参考訳）: TwiRGCN: 時間的知識グラフに対する質問応答のための時間的重み付きグラフ畳み込み
• Authors: Aditya Sharma, Apoorv Saxena, Chitrank Gupta, Seyed Mehran Kazemi, Partha Talukdar, Soumen Chakrabarti
• Abstract要約: 時間的質問応答(QA)のための関係グラフ畳み込みネットワーク(RGCN)の一般化方法を示す。 コンボリューション中にKGエッジを通過するメッセージを変調する,新しい,直感的で解釈可能な方式を提案する。 TwiRGCN(TwiRGCN)と呼ばれる、複雑な時間的QAのための、最近リリースされた挑戦的データセットであるTimeQuestions(TimeQuestions)において、結果システムを評価する。
• 参考スコア（独自算出の注目度）: 35.50055476282997
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Recent years have witnessed much interest in temporal reasoning over knowledge graphs (KG) for complex question answering (QA), but there remains a substantial gap in human capabilities. We explore how to generalize relational graph convolutional networks (RGCN) for temporal KGQA. Specifically, we propose a novel, intuitive and interpretable scheme to modulate the messages passed through a KG edge during convolution, based on the relevance of its associated time period to the question. We also introduce a gating device to predict if the answer to a complex temporal question is likely to be a KG entity or time and use this prediction to guide our scoring mechanism. We evaluate the resulting system, which we call TwiRGCN, on TimeQuestions, a recently released, challenging dataset for multi-hop complex temporal QA. We show that TwiRGCN significantly outperforms state-of-the-art systems on this dataset across diverse question types. Notably, TwiRGCN improves accuracy by 9--10 percentage points for the most difficult ordinal and implicit question types.
• Abstract（参考訳）: 近年、複雑な質問応答(QA)のための知識グラフ(KG)に対する時間的推論への関心が高まっているが、人間の能力には大きなギャップがある。 時間的KGQAのためのリレーショナルグラフ畳み込みネットワーク(RGCN)の一般化について検討する。 具体的には、コンボリューション中のKGエッジを通過するメッセージを、関連する時間と質問との関連性に基づいて、新しい、直感的で解釈可能な方式を提案する。 また,複雑な時間的質問に対する回答が kg の実体か時間かを予測するゲーティングデバイスを導入し,この予測を用いてスコアリング機構を導出する。 最近リリースされたマルチホップ複合時間QAのための挑戦的データセットであるTimeQuestionsで、TwiRGCNと呼ぶ結果のシステムを評価する。 TwiRGCNは,様々な質問タイプにまたがって,このデータセットの最先端システムを大幅に上回ることを示す。 特にTwiRGCNは、最も困難で暗黙的な質問タイプに対して、9～10ポイントの精度を向上させる。

関連論文リスト

• Joint Multi-Facts Reasoning Network For Complex Temporal Question Answering Over Knowledge Graph [34.44840297353777]
  時間的知識グラフ(TKG)は、時間範囲をアタッチすることで、通常の知識グラフの拡張である。 textbfunderlineMulti textbfunderlineFacts textbfunderlineReasoning textbfunderlineNetwork (JMFRN)を提案する。
  論文  参考訳（メタデータ） (2024-01-04T11:34:39Z)
• Temporal Aggregation and Propagation Graph Neural Networks for Dynamic Representation [67.26422477327179]
  時間グラフは連続時間を通してノード間の動的相互作用を示す。 本研究では,周辺地域全体と時間的グラフ畳み込みの新たな手法を提案する。 提案するTAP-GNNは,予測性能とオンライン推論遅延の両面で,既存の時間グラフ手法よりも優れた性能を示す。
  論文  参考訳（メタデータ） (2023-04-15T08:17:18Z)
• Logical Message Passing Networks with One-hop Inference on Atomic Formulas [57.47174363091452]
  本稿では,ニューラルネットワーク演算子から知識グラフの埋め込みを分解する,複雑な問合せ応答のためのフレームワークを提案する。 クエリグラフの上に、局所的な原子式上のワンホップ推論とグローバル論理的推論を結びつける論理メッセージパッシングニューラルネットワーク(LMPNN)を提案する。 我々のアプローチは、最先端のニューラルCQAモデルをもたらす。
  論文  参考訳（メタデータ） (2023-01-21T02:34:06Z)
• Semantic Framework based Query Generation for Temporal Question Answering over Knowledge Graphs [19.851986862305623]
  本稿では,提案するエンティティの関連事実を探索し,問合せグラフを生成する時間的質問応答手法であるSF-TQAを提案する。 評価の結果,SF-TQAは知識グラフの異なる2つのベンチマークにおいて既存手法よりも有意に優れていた。
  論文  参考訳（メタデータ） (2022-10-10T08:40:28Z)
• ForecastTKGQuestions: A Benchmark for Temporal Question Answering and Forecasting over Temporal Knowledge Graphs [28.434829347176233]
  時間的知識グラフ(TKGQA)に対する質問応答の関心が高まっている。 TKGQAは時間的知識ベースから関連情報を抽出するために時間的推論技術を必要とする。 本稿では,時間的知識グラフを用いた質問応答の予測という新しい課題を提案する。
  論文  参考訳（メタデータ） (2022-08-12T21:02:35Z)
• TempoQR: Temporal Question Reasoning over Knowledge Graphs [11.054877399064804]
  本稿では,知識グラフに関する複雑な疑問に答える包括的埋め込み型フレームワークを提案する。 提案手法は時間的問題推論(TempoQR)と呼ばれ、TKGの埋め込みを利用して、対象とする特定のエンティティや時間範囲に疑問を定めている。 実験の結果,TempoQRの精度は25～45ポイント向上した。
  論文  参考訳（メタデータ） (2021-12-10T23:59:14Z)
• 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)
• Complex Temporal Question Answering on Knowledge Graphs [22.996399822102575]
  この研究は、複雑な時間的質問に答える最初のエンドツーエンドシステムであるEXAQTを提示する。 知識グラフ(KG)に関する自然言語の質問には、高いリコールを目標とし、上位ランクの精度を目標とする2つのステージで答える。 我々は、様々な汎用KG-QAベンチマークから収集された16kの時間的質問の大規模なデータセットであるTimeQuestionsのEXAQTを評価する。
  論文  参考訳（メタデータ） (2021-09-18T13:41:43Z)
• A Dataset for Answering Time-Sensitive Questions [88.95075983560331]
  時間とは、我々の物理的世界において重要な次元である。多くの事実が時間に関して進化することができる。 時間次元を考慮し、既存のQAモデルに時間とともに推論する権限を与えることが重要です。 既存のQAデータセットには、時間に敏感な質問がほとんどないため、モデルの時間的推論能力の診断やベンチマークには適さない。
  論文  参考訳（メタデータ） (2021-08-13T16:42:25Z)
• Temporal Knowledge Graph Reasoning Based on Evolutional Representation Learning [59.004025528223025]
  将来の事実を予測する鍵は、歴史的事実を徹底的に理解することです。 TKGは実際には異なるタイムスタンプに対応するKGのシーケンスである。 グラフ畳み込みネットワーク(GCN)に基づく新しいリカレント進化ネットワークを提案する。
  論文  参考訳（メタデータ） (2021-04-21T05:12:21Z)

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。