論文の概要: Multi-View Graph Representation Learning for Answering Hybrid Numerical
Reasoning Question
- arxiv url: http://arxiv.org/abs/2305.03458v1
- Date: Fri, 5 May 2023 12:00:58 GMT
- ステータス: 処理完了
- システム内更新日: 2023-05-08 14:10:43.059078
- Title: Multi-View Graph Representation Learning for Answering Hybrid Numerical
Reasoning Question
- Title(参考訳): ハイブリッド数値推論問題に対する多視点グラフ表現学習
- Authors: Yifan Wei, Fangyu Lei, Yuanzhe Zhang, Jun Zhao, Kang Liu
- Abstract要約: 本稿では,粒度間の関係を考慮し,複数の視点から関係を捉えるための多視点グラフ(MVG)を提案する。
我々は,テーブル・テキスト・ハイブリッドQAベンチマーク(TAT-QA)で本モデルを検証し,最先端のモデルより優れていることを示す。
- 参考スコア(独自算出の注目度): 13.321467396155116
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Hybrid question answering (HybridQA) over the financial report contains both
textual and tabular data, and requires the model to select the appropriate
evidence for the numerical reasoning task. Existing methods based on
encoder-decoder framework employ a expression tree-based decoder to solve
numerical reasoning problems. However, encoders rely more on Machine Reading
Comprehension (MRC) methods, which take table serialization and text splicing
as input, damaging the granularity relationship between table and text as well
as the spatial structure information of table itself. In order to solve these
problems, the paper proposes a Multi-View Graph (MVG) Encoder to take the
relations among the granularity into account and capture the relations from
multiple view. By utilizing MVGE as a module, we constuct Tabular View,
Relation View and Numerical View which aim to retain the original
characteristics of the hybrid data. We validate our model on the publicly
available table-text hybrid QA benchmark (TAT-QA) and outperform the
state-of-the-art model.
- Abstract(参考訳): 財務報告に対するハイブリッド質問応答(HybridQA)は、テキストデータと表データの両方を含み、数値推論タスクの適切な証拠を選択する必要がある。
エンコーダ-デコーダフレームワークに基づく既存の手法では,数値推論問題の解法として式木デコーダを用いる。
しかし、エンコーダは、テーブルのシリアライズとテキストスプライシングを入力として、テーブルとテキスト間の粒度関係とテーブル自体の空間構造情報を損なう、マシンリーディング理解(mrc)メソッドに依存しています。
これらの問題を解決するため,本稿では,多視点グラフ(mvg)エンコーダを提案する。
MVGEをモジュールとして利用することにより,ハイブリッドデータの本来の特性を維持することを目的とした,タブラルビュー,リレービュー,数値ビューを考察する。
我々は,テーブル・テキスト・ハイブリッドQAベンチマーク(TAT-QA)で本モデルを検証し,最先端のモデルより優れていることを示す。
関連論文リスト
- NewsQs: Multi-Source Question Generation for the Inquiring Mind [62.36817838718306]
我々は複数のニュース文書に対して質問応答ペアを提供するデータセットであるNewsQsを紹介する。
FAQスタイルのニュース記事に微調整されたT5-Largeモデルによって自動生成される質問を,従来のマルチドキュメント要約データセットに拡張する。
論文 参考訳(メタデータ) (2024-02-28T16:59:35Z) - HELLaMA: LLaMA-based Table to Text Generation by Highlighting the
Important Evidence [6.837127761123152]
LLaMA2モデル上でパラメータ効率の良い微調整を行う。
我々のアプローチは、テーブル固有の行データを強調することにより、推論情報を入力に注入することである。
FetaQAデータセットとQTSummデータセットの両方で、我々のアプローチは最先端の結果を得た。
論文 参考訳(メタデータ) (2023-11-15T12:02:52Z) - HRoT: Hybrid prompt strategy and Retrieval of Thought for Table-Text
Hybrid Question Answering [13.026990720973703]
本稿では,TextTableQAのためのHybrid prompt strategyとRetrieval of Thoughtという新たなプロンプト戦略を提案する。
本手法は,MultiHierttデータセットのフル教師付きSOTAと比較して,数ショット設定で優れた性能を実現する。
論文 参考訳(メタデータ) (2023-09-22T07:26:17Z) - Doc2SoarGraph: Discrete Reasoning over Visually-Rich Table-Text
Documents via Semantic-Oriented Hierarchical Graphs [79.0426838808629]
視覚的にリッチなテーブルテキスト文書に答えるTAT-DQAを提案する。
具体的には、離散推論機能を強化した新しいDoc2SoarGraphフレームワークを提案する。
我々は,TAT-DQAデータセットに関する広範な実験を行い,提案したフレームワークは,テストセット上でのエクサクティマッチ(EM)とF1スコアでそれぞれ17.73%,F1スコアで16.91%の最高のベースラインモデルを上回る結果を得た。
論文 参考訳(メタデータ) (2023-05-03T07:30:32Z) - UniKGQA: Unified Retrieval and Reasoning for Solving Multi-hop Question
Answering Over Knowledge Graph [89.98762327725112]
KGQA(Multi-hop Question Answering over Knowledge Graph)は、自然言語の質問で言及されているトピックエンティティから、複数のホップを持つ回答エンティティを見つけることを目的としている。
我々は、モデルアーキテクチャとパラメータ学習の両方において、検索と推論を統合することで、マルチホップKGQAタスクの新しいアプローチであるUniKGQAを提案する。
論文 参考訳(メタデータ) (2022-12-02T04:08:09Z) - Answering Numerical Reasoning Questions in Table-Text Hybrid Contents
with Graph-based Encoder and Tree-based Decoder [19.429216786198577]
本稿ではtextbfRelational textbfGraph 拡張 textbfHybrid table-texttextbfNumerical reasoning model with textbfRegHNT を提案する。
表文ハイブリッドコンテンツに対する数値質問応答を表現木生成タスクとしてモデル化し,表文ハイブリッドQAベンチマーク(TAT-QA)で検証した。
論文 参考訳(メタデータ) (2022-09-16T03:15:12Z) - Towards Complex Document Understanding By Discrete Reasoning [77.91722463958743]
VQA(Document Visual Question Answering)は、自然言語による質問に答えるために、視覚的に豊富なドキュメントを理解することを目的としている。
我々は3,067の文書ページと16,558の質問応答ペアからなる新しいドキュメントVQAデータセットTAT-DQAを紹介する。
我々は,テキスト,レイアウト,視覚画像など,多要素の情報を考慮に入れたMHSTという新しいモデルを開発し,異なるタイプの質問にインテリジェントに対処する。
論文 参考訳(メタデータ) (2022-07-25T01:43:19Z) - Classification-Regression for Chart Comprehension [16.311371103939205]
チャート質問応答(CQA)は、チャート理解を評価するために用いられるタスクである。
分類と回帰を共同で学習する新しいモデルを提案する。
私たちのモデルのエッジは、特に語彙外回答の質問に重点を置いています。
論文 参考訳(メタデータ) (2021-11-29T18:46:06Z) - BASS: Boosting Abstractive Summarization with Unified Semantic Graph [49.48925904426591]
BASSは、統合されたセマンティックグラフに基づく抽象的な要約を促進するためのフレームワークである。
文書表現と要約生成の両方を改善するために,グラフベースのエンコーダデコーダモデルを提案する。
実験結果から,提案アーキテクチャは長期文書および複数文書要約タスクに大幅な改善をもたらすことが示された。
論文 参考訳(メタデータ) (2021-05-25T16:20:48Z) - Structured Multimodal Attentions for TextVQA [57.71060302874151]
上述の2つの問題を主に解決するために,終端から終端までの構造化マルチモーダルアテンション(SMA)ニューラルネットワークを提案する。
SMAはまず、画像に現れるオブジェクト・オブジェクト・オブジェクト・テキスト・テキストの関係を符号化するために構造グラフ表現を使用し、その後、それを推論するためにマルチモーダルグラフアテンションネットワークを設計する。
提案モデルでは,テキストVQAデータセットとST-VQAデータセットの2つのタスクを事前学習ベースTAP以外のモデルで比較した。
論文 参考訳(メタデータ) (2020-06-01T07:07:36Z)
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。