論文の概要: Question Answering with Deep Neural Networks for Semi-Structured Heterogeneous Genealogical Knowledge Graphs

• arxiv url: http://arxiv.org/abs/2307.16214v1
• Date: Sun, 30 Jul 2023 12:49:54 GMT
• ステータス: 処理完了
• システム内更新日: 2023-08-01 16:57:54.814094
• Title: Question Answering with Deep Neural Networks for Semi-Structured Heterogeneous Genealogical Knowledge Graphs
• Title（参考訳）: 半構造化ヘテロジニアス知識グラフのためのディープニューラルネットワークによる質問応答
• Authors: Omri Suissa, Maayan Zhitomirsky-Geffet, Avshalom Elmalech
• Abstract要約: 最先端の自然言語応答アルゴリズムは、自己認識ネットワークに基づくディープニューラルネットワークアーキテクチャを使用する。 本研究は,家系図を用いた質問応答のエンドツーエンド的アプローチを提案する。
• 参考スコア（独自算出の注目度）: 0.934612743192798
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: With the rising popularity of user-generated genealogical family trees, new genealogical information systems have been developed. State-of-the-art natural question answering algorithms use deep neural network (DNN) architecture based on self-attention networks. However, some of these models use sequence-based inputs and are not suitable to work with graph-based structure, while graph-based DNN models rely on high levels of comprehensiveness of knowledge graphs that is nonexistent in the genealogical domain. Moreover, these supervised DNN models require training datasets that are absent in the genealogical domain. This study proposes an end-to-end approach for question answering using genealogical family trees by: 1) representing genealogical data as knowledge graphs, 2) converting them to texts, 3) combining them with unstructured texts, and 4) training a trans-former-based question answering model. To evaluate the need for a dedicated approach, a comparison between the fine-tuned model (Uncle-BERT) trained on the auto-generated genealogical dataset and state-of-the-art question-answering models was per-formed. The findings indicate that there are significant differences between answering genealogical questions and open-domain questions. Moreover, the proposed methodology reduces complexity while increasing accuracy and may have practical implications for genealogical research and real-world projects, making genealogical data accessible to experts as well as the general public.
• Abstract（参考訳）: ユーザ生成系図の普及に伴い,新たな系図情報システムが開発されている。 最先端の自然言語応答アルゴリズムは、自己認識ネットワークに基づくディープニューラルネットワーク(DNN)アーキテクチャを使用する。 しかしながら、これらのモデルのいくつかはシーケンスベースの入力を使用し、グラフベースの構造を扱うには適さないが、グラフベースのDNNモデルは、系領域に存在しない知識グラフの高度な包括性に依存している。 さらに、これらの教師付きDNNモデルは、系譜領域にない訓練データセットを必要とする。 本研究は,系譜系図を用いた質問応答のエンドツーエンドアプローチを提案する。 1)系図を知識グラフとして表現する。 2)テキストに変換します。 3)非構造化テキストと組み合わせて, 4)トランスフォームに基づく質問応答モデルのトレーニング。 専用アプローチの必要性を評価するために,自動生成した系譜データセットで訓練された微調整モデル (uncle-bert) と最先端の質問応答モデルの比較を行った。 以上の結果から,系譜的質問に対する回答とオープンドメイン質問との有意な差異が示唆された。 さらに,提案手法は,精度を高めつつ複雑さを低減し,系図研究や実世界のプロジェクトにも実用的な意味を持ち,専門家や一般市民にもアクセス可能な系図データを提供する。

関連論文リスト

• Advanced RAG Models with Graph Structures: Optimizing Complex Knowledge Reasoning and Text Generation [7.3491970177535]
  本研究では,グラフニューラルネットワーク(GNN)を組み合わせたグラフ構造データ処理手法を提案する。 この結果から,本論文で提案するグラフベースRAGモデルは,品質,知識の整合性,推論能力の点で従来の世代モデルよりも優れていることがわかった。
  論文  参考訳（メタデータ） (2024-11-06T00:23:55Z)
• Do graph neural network states contain graph properties? [5.222978725954348]
  診断分類器を用いたグラフニューラルネットワーク(GNN)のモデル説明可能性パイプラインを提案する。 このパイプラインは、さまざまなアーキテクチャやデータセットにわたるGNNの学習した表現を探索し、解釈することを目的としている。
  論文  参考訳（メタデータ） (2024-11-04T15:26:07Z)
• Self-Supervised Graph Neural Networks for Enhanced Feature Extraction in Heterogeneous Information Networks [16.12856816023414]
  本稿では,インターネットの急速な発展に伴う複雑なグラフデータ処理におけるグラフニューラルネットワーク(GNN)の適用と課題について考察する。 自己監督機構を導入することにより、グラフデータの多様性と複雑さに対する既存モデルの適合性を向上させることが期待されている。
  論文  参考訳（メタデータ） (2024-10-23T07:14:37Z)
• A Systematic Review of Deep Graph Neural Networks: Challenges, Classification, Architectures, Applications & Potential Utility in Bioinformatics [0.0]
  グラフニューラルネットワーク(GNN)は、グラフ依存を表現するためにグラフノード間のメッセージ送信を使用する。 GNNは、バイオインフォマティクス研究における幅広い生物学的課題を解決するための優れたツールとなる可能性がある。
  論文  参考訳（メタデータ） (2023-11-03T10:25:47Z)
• State of the Art and Potentialities of Graph-level Learning [54.68482109186052]
  グラフレベルの学習は、比較、回帰、分類など、多くのタスクに適用されている。 グラフの集合を学習する伝統的なアプローチは、サブストラクチャのような手作りの特徴に依存している。 ディープラーニングは、機能を自動的に抽出し、グラフを低次元表現に符号化することで、グラフレベルの学習をグラフの規模に適応させるのに役立っている。
  論文  参考訳（メタデータ） (2023-01-14T09:15:49Z)
• Relation Embedding based Graph Neural Networks for Handling Heterogeneous Graph [58.99478502486377]
  我々は、同種GNNが不均一グラフを扱うのに十分な能力を持つように、シンプルで効率的なフレームワークを提案する。 具体的には、エッジ型関係と自己ループ接続の重要性を埋め込むために、関係1つのパラメータのみを使用する関係埋め込みベースのグラフニューラルネットワーク(RE-GNN)を提案する。
  論文  参考訳（メタデータ） (2022-09-23T05:24:18Z)
• Automatic Relation-aware Graph Network Proliferation [182.30735195376792]
  GNNを効率的に検索するためのARGNP(Automatic Relation-Aware Graph Network Proliferation)を提案する。 これらの操作は階層的なノード/リレーショナル情報を抽出し、グラフ上のメッセージパッシングのための異方的ガイダンスを提供する。 4つのグラフ学習タスクのための6つのデータセットの実験により、我々の手法によって生成されたGNNは、現在最先端の手作りおよび検索に基づくGNN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） (2022-05-31T10:38:04Z)
• Heterogeneous Graph Neural Networks using Self-supervised Reciprocally Contrastive Learning [102.9138736545956]
  不均一グラフニューラルネットワーク(HGNN)は異種グラフのモデリングと解析において非常に一般的な手法である。 我々は,ノード属性とグラフトポロジの各ガイダンスに関する2つの視点を取り入れた,新規で頑健なヘテロジニアスグラフコントラスト学習手法であるHGCLを初めて開発する。 この新しいアプローチでは,属性とトポロジに関連情報を別々にマイニングする手法として,異なるが最も適した属性とトポロジの融合機構を2つの視点に適用する。
  論文  参考訳（メタデータ） (2022-04-30T12:57:02Z)
• Differentiable Reasoning over Long Stories -- Assessing Systematic Generalisation in Neural Models [12.479512369785082]
  グラフ構造化データを同時に処理し、エッジ属性を同時に考慮できるグラフベースのモデルである"E-GNN"と、グラフの線形化バージョンを処理できるシーケンスベースのモデルである"L-Graph"である。 その結果、修正されたリカレントニューラルネットワークは、グラフニューラルネットワークよりも優れた体系的な一般化タスク全体にわたって驚くほど正確な結果が得られることがわかった。
  論文  参考訳（メタデータ） (2022-03-20T18:34:42Z)
• Question-Answer Sentence Graph for Joint Modeling Answer Selection [122.29142965960138]
  我々は,質問文,質問文,回答文のペア間のスコアを計算するための最先端(SOTA)モデルを訓練し,統合する。 オンライン推論は、目に見えないクエリのAS2タスクを解決するために実行される。
  論文  参考訳（メタデータ） (2022-02-16T05:59:53Z)
• A Heterogeneous Graph with Factual, Temporal and Logical Knowledge for Question Answering Over Dynamic Contexts [81.4757750425247]
  動的テキスト環境における質問応答について検討する。 構築したグラフ上にグラフニューラルネットワークを構築し,エンドツーエンドでモデルをトレーニングする。
  論文  参考訳（メタデータ） (2020-04-25T04:53:54Z)

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。