論文の概要: ADMUS: A Progressive Question Answering Framework Adaptable to Multiple
Knowledge Sources
- arxiv url: http://arxiv.org/abs/2308.04800v1
- Date: Wed, 9 Aug 2023 08:46:39 GMT
- ステータス: 処理完了
- システム内更新日: 2023-08-10 14:34:03.250510
- Title: ADMUS: A Progressive Question Answering Framework Adaptable to Multiple
Knowledge Sources
- Title(参考訳): ADMUS: 複数の知識ソースに対応可能なプログレッシブな質問回答フレームワーク
- Authors: Yirui Zhan, Yanzeng Li, Minhao Zhang, Lei Zou
- Abstract要約: ADMUSは,多様なデータセットに対応するために設計された,プログレッシブな知識ベース質問応答フレームワークである。
我々のフレームワークは、最小限の労力で、新しいデータセットのシームレスな統合をサポートします。
- 参考スコア(独自算出の注目度): 9.484792817869671
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: With the introduction of deep learning models, semantic parsingbased
knowledge base question answering (KBQA) systems have achieved high performance
in handling complex questions. However, most existing approaches primarily
focus on enhancing the model's effectiveness on individual benchmark datasets,
disregarding the high costs of adapting the system to disparate datasets in
real-world scenarios (e.g., multi-tenant platform). Therefore, we present
ADMUS, a progressive knowledge base question answering framework designed to
accommodate a wide variety of datasets, including multiple languages, diverse
backbone knowledge bases, and disparate question answering datasets. To
accomplish the purpose, we decouple the architecture of conventional KBQA
systems and propose this dataset-independent framework. Our framework supports
the seamless integration of new datasets with minimal effort, only requiring
creating a dataset-related micro-service at a negligible cost. To enhance the
usability of ADUMS, we design a progressive framework consisting of three
stages, ranges from executing exact queries, generating approximate queries and
retrieving open-domain knowledge referring from large language models. An
online demonstration of ADUMS is available at:
https://answer.gstore.cn/pc/index.html
- Abstract(参考訳): ディープラーニングモデルの導入により、意味解析に基づく知識ベース質問応答(KBQA)システムは複雑な質問に対処する上で高いパフォーマンスを達成している。
しかしながら、既存のアプローチのほとんどは、実世界のシナリオ(例えばマルチテナントプラットフォーム)で異なるデータセットにシステムを適用するための高いコストを無視して、個々のベンチマークデータセットに対するモデルの有効性を高めることに重点を置いている。
そこで本研究では,多言語,多種多様なバックボーン知識ベース,異種質問応答データセットを含む多種多様なデータセットに対応するように設計された,プログレッシブナレッジベース質問応答フレームワークadmusを提案する。
この目的を達成するため、従来のKBQAシステムのアーキテクチャを分離し、このデータセットに依存しないフレームワークを提案する。
私たちのフレームワークは、最小限の労力で、新しいデータセットのシームレスな統合をサポートします。
ADUMSのユーザビリティを高めるため、我々は3段階からなるプログレッシブフレームワークを設計し、正確なクエリの実行、近似クエリの生成、大規模言語モデルからのオープンドメイン知識の検索を行う。
ADUMSのオンラインデモは、https://answer.gstore.cn/pc/index.htmlで公開されている。
関連論文リスト
- Interactive-KBQA: Multi-Turn Interactions for Knowledge Base Question
Answering with Large Language Models [8.316367927545373]
Interactive-KBQAは知識ベース(KB)との直接インタラクションを通じて論理形式を生成するように設計されたフレームワークである
提案手法は,WebQuestionsSP, ComplexWebQuestions, KQA Pro, MetaQAデータセット上での競合結果を実現する。
論文 参考訳(メタデータ) (2024-02-23T06:32:18Z) - UNK-VQA: A Dataset and A Probe into Multi-modal Large Models' Abstention
Ability [51.812099161015745]
本稿ではUNK-VQAと呼ばれる包括的データセットを提案する。
まず、画像または疑問について意図的に摂動することで、既存のデータを拡大する。
そこで我々は,新たなマルチモーダル大規模モデルのゼロショット性能と少数ショット性能を広範囲に評価した。
論文 参考訳(メタデータ) (2023-10-17T02:38:09Z) - Serving Deep Learning Model in Relational Databases [72.72372281808694]
リレーショナルデータ上での深層学習(DL)モデルの実現は、様々な商業分野や科学分野において重要な要件となっている。
最先端のDL-Centricアーキテクチャは、DL計算を専用のDLフレームワークにオフロードします。
UDF-Centricアーキテクチャは、データベースシステム内の1つ以上のテンソル計算をユーザ定義関数(UDF)にカプセル化する。
potentialRelation-Centricアーキテクチャは、演算子による大規模テンソル計算を表現することを目的としている。
論文 参考訳(メタデータ) (2023-10-07T06:01:35Z) - FlexKBQA: A Flexible LLM-Powered Framework for Few-Shot Knowledge Base
Question Answering [16.88132219032486]
手動のアノテーションに関連する負担を軽減するためにFlexKBQAを導入します。
我々はLarge Language Models (LLM) を,KBQAタスクに固有の課題に対処するためのプログラムトランスレータとして活用する。
具体的には、FlexKBQAは自動化アルゴリズムを利用して、知識ベースからSPARQLクエリなどの多様なプログラムをサンプリングする。
より難易度の高いゼロショットシナリオでさえも、FlexKBQAは、いくつかのアノテーションで印象的な結果を得ることができます。
論文 参考訳(メタデータ) (2023-08-23T11:00:36Z) - Enhancing Human-like Multi-Modal Reasoning: A New Challenging Dataset
and Comprehensive Framework [51.44863255495668]
マルチモーダル推論は、人間のような知性を示す人工知能システムの追求において重要な要素である。
提案するマルチモーダル推論(COCO-MMR)データセットは,オープンエンド質問の集合を包含する新しいデータセットである。
画像とテキストエンコーダを強化するために,マルチホップ・クロスモーダル・アテンションや文レベルのコントラスト学習などの革新的な手法を提案する。
論文 参考訳(メタデータ) (2023-07-24T08:58:25Z) - Chain-of-Skills: A Configurable Model for Open-domain Question Answering [79.8644260578301]
検索モデルは、現実世界の知識集約的なタスクに欠かせない要素である。
最近の研究はカスタマイズされたメソッドに焦点を合わせ、モデルの転送可能性とスケーラビリティを制限している。
本稿では,各モジュールがデータセット間で再利用可能なキースキルに対応するモジュールレトリバーを提案する。
論文 参考訳(メタデータ) (2023-05-04T20:19:39Z) - SYGMA: System for Generalizable Modular Question Answering OverKnowledge
Bases [57.89642289610301]
SYGMAは、複数の知識ベースと複数のリアソニングタイプにまたがる汎用化を容易にするモジュラーアプローチである。
本システムの有効性を,DBpediaとWikidataの2つの異なる知識ベースに属するデータセットを用いて評価することで実証する。
論文 参考訳(メタデータ) (2021-09-28T01:57:56Z) - ClarQ: A large-scale and diverse dataset for Clarification Question
Generation [67.1162903046619]
そこで我々は,スタックエクスチェンジから抽出したポストコメンデーションに基づいて,多様な,大規模な明確化質問データセットの作成を支援する,新しいブートストラップフレームワークを考案した。
質問応答の下流タスクに適用することで,新たに作成したデータセットの有用性を定量的に示す。
我々はこのデータセットを公開し、ダイアログと質問応答システムの拡張という大きな目標を掲げて、質問生成の分野の研究を促進する。
論文 参考訳(メタデータ) (2020-06-10T17:56:50Z)
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。