論文の概要: Structured prompt interrogation and recursive extraction of semantics
(SPIRES): A method for populating knowledge bases using zero-shot learning
- arxiv url: http://arxiv.org/abs/2304.02711v2
- Date: Fri, 22 Dec 2023 22:01:58 GMT
- ステータス: 処理完了
- システム内更新日: 2023-12-27 22:54:08.867514
- Title: Structured prompt interrogation and recursive extraction of semantics
(SPIRES): A method for populating knowledge bases using zero-shot learning
- Title(参考訳): SPIRES(Structured prompt interrogation and Recursive extract of semantics: SPIRES):ゼロショット学習を用いた知識ベース獲得手法
- Authors: J. Harry Caufield, Harshad Hegde, Vincent Emonet, Nomi L. Harris,
Marcin P. Joachimiak, Nicolas Matentzoglu, HyeongSik Kim, Sierra A.T. Moxon,
Justin T. Reese, Melissa A. Haendel, Peter N. Robinson, and Christopher J.
Mungall
- Abstract要約: SPIRES(Structured Prompt Interrogation and Recursive extract of Semantics)を提案する。
SPIRESは、ゼロショット学習(ZSL)と、柔軟なプロンプトから応答する汎用語彙を実行し、情報を特定のスキーマに返却するLarge Language Models(LLM)の機能に依存している。
現在のSPIRES精度は、既存のリレーショナル抽出(RE)メソッドの中間範囲に匹敵するが、簡単にカスタマイズでき、柔軟性があり、重要なことに、トレーニングデータがない場合に新しいタスクを実行する能力がある。
- 参考スコア(独自算出の注目度): 1.3963666696384924
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Creating knowledge bases and ontologies is a time consuming task that relies
on a manual curation. AI/NLP approaches can assist expert curators in
populating these knowledge bases, but current approaches rely on extensive
training data, and are not able to populate arbitrary complex nested knowledge
schemas.
Here we present Structured Prompt Interrogation and Recursive Extraction of
Semantics (SPIRES), a Knowledge Extraction approach that relies on the ability
of Large Language Models (LLMs) to perform zero-shot learning (ZSL) and
general-purpose query answering from flexible prompts and return information
conforming to a specified schema. Given a detailed, user-defined knowledge
schema and an input text, SPIRES recursively performs prompt interrogation
against GPT-3+ to obtain a set of responses matching the provided schema.
SPIRES uses existing ontologies and vocabularies to provide identifiers for all
matched elements.
We present examples of use of SPIRES in different domains, including
extraction of food recipes, multi-species cellular signaling pathways, disease
treatments, multi-step drug mechanisms, and chemical to disease causation
graphs. Current SPIRES accuracy is comparable to the mid-range of existing
Relation Extraction (RE) methods, but has the advantage of easy customization,
flexibility, and, crucially, the ability to perform new tasks in the absence of
any training data. This method supports a general strategy of leveraging the
language interpreting capabilities of LLMs to assemble knowledge bases,
assisting manual knowledge curation and acquisition while supporting validation
with publicly-available databases and ontologies external to the LLM.
SPIRES is available as part of the open source OntoGPT package:
https://github.com/ monarch-initiative/ontogpt.
- Abstract(参考訳): 知識ベースとオントロジーの作成は、手動のキュレーションに依存する時間のかかる作業である。
ai/nlpアプローチは、これらの知識ベースを投入する専門家キュレーターを支援するが、現在のアプローチは広範なトレーニングデータに依存しており、任意の複雑なネストされた知識スキーマを投入できない。
本稿では,SPIRES(Structured Prompt Interrogation and Recursive extract of Semantics)を提案する。Large Language Models (LLMs) によるゼロショット学習(ZSL) と,フレキシブルプロンプトからの汎用クエリ応答を,特定のスキーマに準拠した情報から行うことによる知識抽出手法である。
詳細なユーザ定義の知識スキーマと入力テキストが与えられた場合、SPIRESはGPT-3+に対して即時尋問を行い、提供されたスキーマと一致する応答の集合を得る。
SPIRESは既存のオントロジーと語彙を使って、一致するすべての要素の識別子を提供する。
本稿では,食品レシピの抽出,多種の細胞シグナル伝達経路,疾患治療,多段階薬物機構,化学・疾患因果グラフなど,さまざまな領域におけるSPIRESの使用例を紹介する。
現在のSPIRES精度は、既存のリレーショナル抽出(RE)メソッドの中間範囲に匹敵するが、簡単にカスタマイズでき、柔軟性があり、重要なことに、トレーニングデータがない場合に新しいタスクを実行する能力がある。
本手法は,LLMの言語解釈機能を活用して知識ベースを組み立て,手作業による知識のキュレーションと取得を支援するとともに,LLM以外のデータベースやオントロジーによる検証を支援する一般的な戦略を支援する。
SPIRESはオープンソースのOntoGPTパッケージの一部として利用可能である。
関連論文リスト
- DIVKNOWQA: Assessing the Reasoning Ability of LLMs via Open-Domain
Question Answering over Knowledge Base and Text [73.68051228972024]
大きな言語モデル(LLM)は印象的な生成能力を示すが、内部知識に依存すると幻覚に悩まされる。
検索拡張LDMは、外部知識においてLLMを基盤とする潜在的な解決策として出現している。
論文 参考訳(メタデータ) (2023-10-31T04:37:57Z) - An In-Context Schema Understanding Method for Knowledge Base Question
Answering [70.87993081445127]
大きな言語モデル(LLM)は、言語理解において強力な能力を示しており、この課題を解決するために使用することができる。
既存のメソッドは、当初、スキーマ固有の詳細を使わずにLLMを使用してロジックフォームのドラフトを生成することで、この課題を回避している。
そこで本研究では,LLMが文脈内学習を利用してスキーマを直接理解できる簡易なインコンテキスト理解(ICSU)手法を提案する。
論文 参考訳(メタデータ) (2023-10-22T04:19:17Z) - Self-Knowledge Guided Retrieval Augmentation for Large Language Models [59.771098292611846]
大規模言語モデル(LLM)はタスク固有の微調整なしで優れた性能を示す。
検索に基づく手法は、非パラメトリックな世界知識を提供し、質問応答のようなタスクのパフォーマンスを向上させることができる。
SKR(Self-Knowledge guided Retrieval augmentation)は、LLMがこれまで遭遇した質問を参照できるようにする、シンプルで効果的な方法である。
論文 参考訳(メタデータ) (2023-10-08T04:22:33Z) - LLM Guided Inductive Inference for Solving Compositional Problems [1.6727879968475368]
大規模言語モデル (LLM) は質問応答タスクにおいて顕著な性能を示した。
既存のメソッドは、順次呼び出されたモジュールを使って推論タスクを分解する。
本稿では,オープンワールドで深い推論処理を行うRecursion based LLM (REBEL)を提案する。
論文 参考訳(メタデータ) (2023-09-20T23:44:16Z) - Schema-aware Reference as Prompt Improves Data-Efficient Knowledge Graph
Construction [57.854498238624366]
本稿では,データ効率のよい知識グラフ構築のためのRAP(Schema-Aware Reference As Prompt)の検索手法を提案する。
RAPは、人間の注釈付きおよび弱教師付きデータから受け継いだスキーマと知識を、各サンプルのプロンプトとして動的に活用することができる。
論文 参考訳(メタデータ) (2022-10-19T16:40:28Z) - Explaining Patterns in Data with Language Models via Interpretable
Autoprompting [143.4162028260874]
本稿では,データを説明する自然言語文字列を生成するアルゴリズムである,解釈可能なオートプロンプト(iPrompt)を提案する。
iPromptは、基盤となるデータセット記述を正確に見つけることで、意味のある洞察を得ることができる。
fMRIデータセットを用いた実験は、iPromptが科学的発見に役立つ可能性を示している。
論文 参考訳(メタデータ) (2022-10-04T18:32:14Z) - BERTese: Learning to Speak to BERT [50.76152500085082]
本論文では,より良い知識抽出に向けて直接最適化されたパラフレーズクエリ"BERTese"に自動書き換える手法を提案する。
私たちのアプローチが競合するベースラインを上回ることを実証的に示し、複雑なパイプラインの必要性を回避します。
論文 参考訳(メタデータ) (2021-03-09T10:17:22Z)
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。