論文の概要: Reasoning over Hierarchical Question Decomposition Tree for Explainable Question Answering

• arxiv url: http://arxiv.org/abs/2305.15056v1
• Date: Wed, 24 May 2023 11:45:59 GMT
• ステータス: 処理完了
• システム内更新日: 2023-05-25 16:27:54.391504
• Title: Reasoning over Hierarchical Question Decomposition Tree for Explainable Question Answering
• Title（参考訳）: 説明可能な質問回答のための階層的質問分解木の推論
• Authors: Jiajie Zhang, Shulin Cao, Tingjia Zhang, Xin Lv, Jiaxin Shi, Qi Tian, Juanzi Li, Lei Hou
• Abstract要約: ヘテロジニアス知識統合のための質問分解手法を提案する。 階層的質問分解木(RoHT)を用いた新しい2段階XQAフレームワークを提案する。 複雑なQAデータセットKQA ProとMusiqueの実験は、我々のフレームワークがSOTAメソッドを著しく上回っていることを示している。
• 参考スコア（独自算出の注目度）: 83.74210749046551
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Explainable question answering (XQA) aims to answer a given question and provide an explanation why the answer is selected. Existing XQA methods focus on reasoning on a single knowledge source, e.g., structured knowledge bases, unstructured corpora, etc. However, integrating information from heterogeneous knowledge sources is essential to answer complex questions. In this paper, we propose to leverage question decomposing for heterogeneous knowledge integration, by breaking down a complex question into simpler ones, and selecting the appropriate knowledge source for each sub-question. To facilitate reasoning, we propose a novel two-stage XQA framework, Reasoning over Hierarchical Question Decomposition Tree (RoHT). First, we build the Hierarchical Question Decomposition Tree (HQDT) to understand the semantics of a complex question; then, we conduct probabilistic reasoning over HQDT from root to leaves recursively, to aggregate heterogeneous knowledge at different tree levels and search for a best solution considering the decomposing and answering probabilities. The experiments on complex QA datasets KQA Pro and Musique show that our framework outperforms SOTA methods significantly, demonstrating the effectiveness of leveraging question decomposing for knowledge integration and our RoHT framework.
• Abstract（参考訳）: 説明可能な質問応答(XQA)は、与えられた質問に答え、その答えが選択された理由を説明することを目的としている。 既存のXQAメソッドは、構造化知識ベースや非構造化コーパスなど、単一の知識ソースでの推論に重点を置いている。 しかし、複雑な質問に答えるためには、異種知識ソースからの情報を統合することが不可欠である。 本稿では,複雑な質問を単純な質問に分解し,各質問に対して適切な知識ソースを選択することにより,異種知識統合のための質問分解の活用を提案する。 推論を容易にするために,階層的質問分解木 (RoHT) を用いた2段階のXQAフレームワークを提案する。 まず、複雑な質問の意味を理解するために、階層的質問分解木(HQDT)を構築し、次に、根から葉までHQDT上で確率論的推論を行い、異なる木レベルで異質な知識を集約し、解の分解と解答の確率を考慮した最良の解を求める。 複雑なQAデータセットKQA Pro と Musique の実験から,私たちのフレームワークは SOTA メソッドよりも優れており,知識統合と RoHT フレームワークに質問分解を活用できることの有効性が示されている。

関連論文リスト

• Probabilistic Tree-of-thought Reasoning for Answering Knowledge-intensive Complex Questions [93.40614719648386]
  大規模言語モデル(LLM)は、知識集約的な複雑な質問にチェーン・オブ・シント(CoT)推論で答えることができる。 最近の研究は、CoT推論を強化するための外部知識の回収に向けられている。 確率的ツリー・オブ・シント推論(ProbTree)という新しいアプローチを提案する。
  論文  参考訳（メタデータ） (2023-11-23T12:52:37Z)
• Tree of Clarifications: Answering Ambiguous Questions with Retrieval-Augmented Large Language Models [30.186503757127188]
  Tree of Clarifications (ToC)は、曖昧な質問に対する長文の回答を生成するフレームワークである。 ToCは、メトリクス間で数ショットのセットアップで、ASQAの既存のベースラインを上回ります。
  論文  参考訳（メタデータ） (2023-10-23T08:42:49Z)
• Open-Set Knowledge-Based Visual Question Answering with Inference Paths [79.55742631375063]
  知識に基づく視覚的質問回答(KB-VQA)の目的は、外部知識ベースの助けを借りて質問に対する正しい回答を提供することである。 KB-VQA, Graph pATH ranker (GATHER for brevity) の新しいレトリバーランカパラダイムを提案する。 具体的には、グラフの構築、プルーニング、パスレベルのランク付けが含まれており、正確な回答を検索するだけでなく、推論パスを提供して推論プロセスを説明する。
  論文  参考訳（メタデータ） (2023-10-12T09:12:50Z)
• Question Decomposition Tree for Answering Complex Questions over Knowledge Bases [9.723321745919186]
  複雑な質問の構造を表す質問分解木(QDT)を提案する。 自然言語生成(NLG)の最近の進歩に触発されて,QDTを生成するためにClue-Decipherと呼ばれる2段階の手法を提案する。 QDTがKBQAタスクを強化することを検証するため、QDTQAと呼ばれる分解ベースのKBQAシステムを設計する。
  論文  参考訳（メタデータ） (2023-06-13T07:44:29Z)
• ReasonChainQA: Text-based Complex Question Answering with Explainable Evidence Chains [15.837457557803507]
  説明的および明示的なエビデンス連鎖を有するベンチマーク textbfReasonChainQA を提案する。 ReasonChainQAは、回答生成とエビデンス連鎖抽出という2つのサブタスクから構成される。 教師付きおよび教師なし検索に関する追加実験は、ReasonChainQAの重要性を十分に示している。
  論文  参考訳（メタデータ） (2022-10-17T06:07:39Z)
• KRISP: Integrating Implicit and Symbolic Knowledge for Open-Domain Knowledge-Based VQA [107.7091094498848]
  VQAの最も難しい質問の1つは、質問に答えるために画像に存在しない外部の知識を必要とする場合です。 本研究では,解答に必要な知識が与えられたり記入されたりしないオープンドメイン知識を,トレーニング時やテスト時にも検討する。 知識表現と推論には2つのタイプがあります。 まず、トランスベースのモデルで教師なし言語事前トレーニングと教師付きトレーニングデータから効果的に学ぶことができる暗黙的な知識。
  論文  参考訳（メタデータ） (2020-12-20T20:13:02Z)
• A Survey on Complex Question Answering over Knowledge Base: Recent Advances and Challenges [71.4531144086568]
  知識ベース(KB)に対する質問回答(QA)は、自然言語の質問に自動的に答えることを目的としている。 研究者は、よりKBのトリプルと制約推論を必要とする単純な質問から複雑な質問へと注意を移した。
  論文  参考訳（メタデータ） (2020-07-26T07:13:32Z)
• Unsupervised Question Decomposition for Question Answering [102.56966847404287]
  本論文では, ワンツーNアン教師付きシーケンスシーケンス(ONUS)のアルゴリズムを提案する。 当初,ドメイン外,マルチホップ開発セットのベースラインが強かったため,HotpotQAでは大きなQA改善が見られた。
  論文  参考訳（メタデータ） (2020-02-22T19:40:35Z)

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。