論文の概要: BUCA: A Binary Classification Approach to Unsupervised Commonsense Question Answering

• arxiv url: http://arxiv.org/abs/2305.15932v2
• Date: Wed, 7 Jun 2023 20:33:09 GMT
• ステータス: 処理完了
• システム内更新日: 2023-06-09 18:52:31.539212
• Title: BUCA: A Binary Classification Approach to Unsupervised Commonsense Question Answering
• Title（参考訳）: BUCA:unsupervised Commonsense Question Answeringへのバイナリ分類アプローチ
• Authors: Jie He and Simon Chi Lok U and V\'ictor Guti\'errez-Basulto and Jeff Z. Pan
• Abstract要約: 非教師付きコモンセンス推論(UCR)は、コモンセンス推論データセットの構築が高価であるため、ますます人気が高まっている。 本稿では、下流の複数選択質問応答タスクを、その妥当性に応じて全ての候補回答をランク付けすることで、より単純な二分分類タスクに変換することを提案する。
• 参考スコア（独自算出の注目度）: 11.99004747630325
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Unsupervised commonsense reasoning (UCR) is becoming increasingly popular as the construction of commonsense reasoning datasets is expensive, and they are inevitably limited in their scope. A popular approach to UCR is to fine-tune language models with external knowledge (e.g., knowledge graphs), but this usually requires a large number of training examples. In this paper, we propose to transform the downstream multiple choice question answering task into a simpler binary classification task by ranking all candidate answers according to their reasonableness. To this end, for training the model, we convert the knowledge graph triples into reasonable and unreasonable texts. Extensive experimental results show the effectiveness of our approach on various multiple choice question answering benchmarks. Furthermore, compared with existing UCR approaches using KGs, ours is less data hungry. Our code is available at https://github.com/probe2/BUCA.
• Abstract（参考訳）: unsupervised commonsense reasoning (ucr) は、commonsense reasoningデータセットの構築が高価で、必然的に範囲が限られているため、ますます人気が高まっている。 UCRの一般的なアプローチは、外部知識(例えば知識グラフ)を持つ言語モデルを微調整することであるが、これは通常、多くのトレーニング例を必要とする。 本稿では,下流の複数質問応答タスクを,その合理的性に応じてすべての候補回答をランク付けすることで,より単純な二分分類タスクに変換することを提案する。 この目的のために、モデルをトレーニングするために、知識グラフトリプルを合理的で不合理なテキストに変換する。 総合的な実験結果から,様々な選択質問応答ベンチマークに対するアプローチの有効性が示された。 さらに、既存のKGを使ったUCRアプローチと比較して、データ空腹は少ない。 私たちのコードはhttps://github.com/probe2/bucaで利用可能です。

関連論文リスト

• Multimodal Reranking for Knowledge-Intensive Visual Question Answering [77.24401833951096]
  回答生成のための知識候補のランク付け品質を向上させるためのマルチモーダル・リランカを提案する。 OK-VQAとA-OKVQAの実験は、遠隔監視からのマルチモーダルリランカーが一貫した改善をもたらすことを示している。
  論文  参考訳（メタデータ） (2024-07-17T02:58:52Z)
• GNN2R: Weakly-Supervised Rationale-Providing Question Answering over Knowledge Graphs [13.496565392976292]
  本稿では,グラフニューラルネットワークを用いた2段階推論モデル(GNN2R)を提案する。 GNN2Rは、最終回答の根拠として最終回答と推論部分グラフの両方を、弱い監督力で効率的に提供することができる。
  論文  参考訳（メタデータ） (2023-12-04T19:58:07Z)
• 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)
• Answering Ambiguous Questions via Iterative Prompting [84.3426020642704]
  オープンドメインの質問応答では、質問のあいまいさのため、複数の妥当な回答が存在する可能性がある。 ひとつのアプローチは、すべての有効な回答を直接予測することですが、これは、妥当性と多様性のバランスに苦労する可能性があります。 本稿では,あいまいな疑問に答える既存手法の欠陥に対処するため,AmbigPromptを提案する。
  論文  参考訳（メタデータ） (2023-07-08T04:32:17Z)
• 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)
• Two is Better than Many? Binary Classification as an Effective Approach to Multi-Choice Question Answering [43.35258958775454]
  正のインスタンスと正のインスタンスと負のインスタンスとを分類することは、さまざまなモデルやデータセットにおいて、はるかに効果的であることを示す。 当社のDeBERTaバイナリ分類モデルは、さまざまなタスクのための公開リーダボードの上位あるいは上位に到達します。
  論文  参考訳（メタデータ） (2022-10-29T05:11:45Z)
• Differentiable Open-Ended Commonsense Reasoning [80.94997942571838]
  我々は、自然言語で書かれたコモンセンス事実のコーパスのみを資源として、オープンエンドコモンセンス推論(OpenCSR)について研究する。 OpenCSRへのアプローチとして、知識ファクトに対するマルチホップ推論のための効率的な微分可能なモデルDrFactを提案する。
  論文  参考訳（メタデータ） (2020-10-24T10:07:00Z)
• Unification of HDP and LDA Models for Optimal Topic Clustering of Subject Specific Question Banks [55.41644538483948]
  オンラインコースの人気が高まると、学者向けのコース関連クエリの数が増加することになる。 個々の質問に答えるのに費やす時間を短縮するために、それらをクラスタリングするのは理想的な選択です。 階層ディリクレプロセスを用いて、LDAモデルの実行に対して最適なトピック番号を入力します。
  論文  参考訳（メタデータ） (2020-10-04T18:21:20Z)
• Variational Item Response Theory: Fast, Accurate, and Expressive [11.927952652448285]
  項目応答理論(IRT)は,質問に対する回答に基づいて人間を理解するためのユビキタスモデルである。 IRTの変分ベイズ推定アルゴリズムを導入し,精度を犠牲にすることなく高速かつスケール可能であることを示す。 この手法を認知科学と教育から5つの大規模項目応答データセットに適用すると、ログの可能性が向上し、欠落したデータを出力する可能性が向上する。
  論文  参考訳（メタデータ） (2020-02-01T20:54:02Z)

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。