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

• BabelBench: An Omni Benchmark for Code-Driven Analysis of Multimodal and Multistructured Data [61.936320820180875]
  大規模言語モデル(LLM)は、様々な領域でますます重要になっている。 BabelBenchは、コード実行によるマルチモーダルなマルチ構造化データ管理におけるLLMの熟練度を評価する革新的なベンチマークフレームワークである。 BabelBenchの実験結果から,ChatGPT 4のような最先端モデルでさえ,大幅な改善の余地があることが示唆された。
  論文  参考訳（メタデータ） (2024-10-01T15:11:24Z)
• Developing PUGG for Polish: A Modern Approach to KBQA, MRC, and IR Dataset Construction [43.045596895389345]
  KBQA、Machine Reading(MRC)、Information Retrieval(IR)といったタスクを含む、データセット作成のための最新の半自動アプローチを導入する。 本稿では,包括的実装,洞察力のある発見,詳細な統計,ベースラインモデルの評価を行う。
  論文  参考訳（メタデータ） (2024-08-05T09:23:49Z)
• Dynamic Few-Shot Learning for Knowledge Graph Question Answering [3.116231004560997]
  大規模言語モデルが知識グラフ(KGQA)に対する革新的質問回答の機会を提示する このギャップを埋めるために、ファインチューニングやアドホックなアーキテクチャに依存し、良い結果を得るが、領域外分布の一般化は限られるソリューションが提案されている。 本研究では,DFL(Dynamic Few-Shot Learning)と呼ばれる新しい手法を提案する。 DFLは、文脈内学習の効率性と意味的類似性を統合し、最先端の性能を持つKGQAの一般的なソリューションを提供する。
  論文  参考訳（メタデータ） (2024-07-01T15:59:17Z)
• Interactive-KBQA: Multi-Turn Interactions for Knowledge Base Question Answering with Large Language Models [7.399563588835834]
  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 the Abstention Ability of Multi-modal Large Models [55.22048505787125]
  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 [70.53282490832189]
  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中心アーキテクチャは、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中心アーキテクチャの可能性は、リレーショナルデータベース管理システム(RDBMS)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。
  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)
• 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。