論文の概要: TACR: A Table-alignment-based Cell-selection and Reasoning Model for Hybrid Question-Answering

• arxiv url: http://arxiv.org/abs/2305.14682v1
• Date: Wed, 24 May 2023 03:42:44 GMT
• ステータス: 処理完了
• システム内更新日: 2023-05-25 20:10:52.889891
• Title: TACR: A Table-alignment-based Cell-selection and Reasoning Model for Hybrid Question-Answering
• Title（参考訳）: tacr:ハイブリッド質問応答のためのテーブルアリゲーションに基づくセル選択と推論モデル
• Authors: Jian Wu, Yicheng Xu, Yan Gao, Jian-Guang Lou, B\"orje F. Karlsson, Manabu Okumura
• Abstract要約: テキストとテーブルQAのハイブリッド化を目的としたテーブルアライメントに基づくセル選択・推論モデル(TACR)を提案する。 証拠検索において,我々は詳細な証拠を検索するテーブルクエストアライメント強化セル選択法を設計する。 回答推論では、選択されたセルを含む行をコンテキストとして扱うQAモジュールを組み込む。
• 参考スコア（独自算出の注目度）: 31.79113994947629
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Hybrid Question-Answering (HQA), which targets reasoning over tables and passages linked from table cells, has witnessed significant research in recent years. A common challenge in HQA and other passage-table QA datasets is that it is generally unrealistic to iterate over all table rows, columns, and linked passages to retrieve evidence. Such a challenge made it difficult for previous studies to show their reasoning ability in retrieving answers. To bridge this gap, we propose a novel Table-alignment-based Cell-selection and Reasoning model (TACR) for hybrid text and table QA, evaluated on the HybridQA and WikiTableQuestions datasets. In evidence retrieval, we design a table-question-alignment enhanced cell-selection method to retrieve fine-grained evidence. In answer reasoning, we incorporate a QA module that treats the row containing selected cells as context. Experimental results over the HybridQA and WikiTableQuestions (WTQ) datasets show that TACR achieves state-of-the-art results on cell selection and outperforms fine-grained evidence retrieval baselines on HybridQA, while achieving competitive performance on WTQ. We also conducted a detailed analysis to demonstrate that being able to align questions to tables in the cell-selection stage can result in important gains from experiments of over 90\% table row and column selection accuracy, meanwhile also improving output explainability.
• Abstract（参考訳）: テーブルセルからリンクされたテーブルや通路の推論を対象とするハイブリッド質問応答(HQA)は,近年,重要な研究を目にしている。 HQAや他のパステーブルQAデータセットにおける一般的な課題は、すべてのテーブル行、列、およびリンクされたパスを反復して証拠を取得することが一般的に非現実的であることである。 このような課題により、過去の研究では、回答を検索する際の推論能力を示すことが困難になった。 このギャップを埋めるために,HybridQAとWikiTableQuestionsデータセットを用いて評価したハイブリッドテキストとテーブルQAのためのテーブルアライメントベースのセル選択・推論モデル(TACR)を提案する。 証拠検索において,我々は詳細な証拠を検索するテーブルクエストアライメント強化セル選択法を設計する。 回答推論では、選択されたセルを含む行をコンテキストとして扱うQAモジュールを組み込む。 HybridQA と WikiTableQuestions (WTQ) データセットに対する実験結果から,TACR はセル選択における最先端の結果を達成し,HybridQA 上での詳細な証拠検索ベースラインを上回り,WTQ 上での競争性能を達成していることがわかった。 また, セル選択段階のテーブルに質問を合わせることで, 90 %以上のテーブル行と列選択精度の実験から重要な利益が得られることを示すとともに, 出力説明性も向上することを示した。

関連論文リスト

• KET-QA: A Dataset for Knowledge Enhanced Table Question Answering [63.56707527868466]
  本研究では,TableQAの外部知識源として知識ベース(KB)を用いることを提案する。 すべての質問は、答えるテーブルとサブグラフの両方からの情報を統合する必要がある。 我々は,膨大な知識サブグラフから関連する情報を抽出するために,レトリバー・レゾナー構造パイプラインモデルを設計する。
  論文  参考訳（メタデータ） (2024-05-13T18:26:32Z)
• Localize, Retrieve and Fuse: A Generalized Framework for Free-Form Question Answering over Tables [46.039687237878105]
  TableQAは、提供されたテーブルに座った質問に対する回答を生成することを目的としている。 テーブルからグラフへの変換,セルローカライズ,外部知識検索,テーブルとテキストの融合を提案する。 実験は、忠実で一貫性のある文を生成するためのTAG-QAの優れた能力を示す。
  論文  参考訳（メタデータ） (2023-09-20T03:52:34Z)
• An Empirical Comparison of LM-based Question and Answer Generation Methods [79.31199020420827]
  質問と回答の生成(QAG)は、コンテキストが与えられた質問と回答のペアのセットを生成することで構成される。 本稿では,シーケンス・ツー・シーケンス言語モデル(LM)を微調整する3つの異なるQAG手法を用いて,ベースラインを確立する。 実験により、学習時間と推論時間の両方で計算的に軽量なエンドツーエンドQAGモデルが一般に堅牢であり、他のより複雑なアプローチよりも優れていることが示された。
  論文  参考訳（メタデータ） (2023-05-26T14:59:53Z)
• PACIFIC: Towards Proactive Conversational Question Answering over Tabular and Textual Data in Finance [96.06505049126345]
  我々はPACIFICという新しいデータセットを提案する。既存のCQAデータセットと比較すると、PACIFICは(i)活動性、(ii)数値推論、(iii)表とテキストのハイブリッドコンテキストの3つの重要な特徴を示す。 質問生成とCQAを組み合わせたPCQA(Proactive Conversational Question Answering)に基づいて,新しいタスクを定義する。 UniPCQAはPCQAのすべてのサブタスク上でマルチタスク学習を行い、Seeq2Seqの上位$kのサンプルをクロスバリデーションすることで、マルチタスク学習におけるエラー伝搬問題を緩和するための単純なアンサンブル戦略を取り入れている。
  論文  参考訳（メタデータ） (2022-10-17T08:06:56Z)
• Multi-Row, Multi-Span Distant Supervision For Table+Text Question [33.809732338627136]
  テーブル上の質問応答(QA)と、TextTableQAとも呼ばれるリンクされたテキストは、近年重要な研究を目撃している。 両軸に沿って遠隔監視を行うように設計された変換器ベースのTextTableQAシステムであるMITQAを提案する。
  論文  参考訳（メタデータ） (2021-12-14T12:48:19Z)
• CLTR: An End-to-End, Transformer-Based System for Cell Level Table Retrieval and Table Question Answering [8.389189333083513]
  本稿では,最初のエンドツーエンドのテーブル質問応答(QA)システムを提案する。 自然言語の質問と大量のテーブルコーパスを入力として、最も関係のあるテーブルを検索し、質問に答えるために正しいテーブルセルを見つける。 76,242テーブル上の2,005の自然言語質問からなる2つの新しいオープンドメインベンチマークであるE2E_WTQとE2E_GNQを導入する。
  論文  参考訳（メタデータ） (2021-06-08T15:22:10Z)
• TAT-QA: A Question Answering Benchmark on a Hybrid of Tabular and Textual Content in Finance [71.76018597965378]
  TAT-QAと呼ばれるタブラデータとテクスチャデータの両方を含む新しい大規模な質問応答データセットを構築します。 本稿では,テーブルとテキストの両方を推論可能な新しいQAモデルであるTAGOPを提案する。
  論文  参考訳（メタデータ） (2021-05-17T06:12:06Z)
• FeTaQA: Free-form Table Question Answering [33.018256483762386]
  FeTaQAは10Kのウィキペディアベースのテーブル、質問、自由形式の回答、テーブルセルペアをサポートする新しいデータセットである。 FeTaQAは、構造化された知識ソースから複数の不連続な事実の検索、推論、および統合後に自由形式のテキスト回答を生成する必要があるため、より困難なテーブル質問回答設定を提供する。
  論文  参考訳（メタデータ） (2021-04-01T09:59:40Z)
• TCN: Table Convolutional Network for Web Table Interpretation [52.32515851633981]
  テーブル内情報とテーブル間情報の両方を考慮した新しいテーブル表現学習手法を提案する。 カラムタイプ予測ではf1の4.8%、カラム対関係予測ではf1の4.1%で競合ベースラインを上回ることができる。
  論文  参考訳（メタデータ） (2021-02-17T02:18:10Z)

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。