論文の概要: HopPG: Self-Iterative Program Generation for Multi-Hop Question Answering over Heterogeneous Knowledge

• arxiv url: http://arxiv.org/abs/2308.11257v2
• Date: Sun, 10 Sep 2023 17:05:36 GMT
• ステータス: 処理完了
• システム内更新日: 2023-09-12 18:47:27.160012
• Title: HopPG: Self-Iterative Program Generation for Multi-Hop Question Answering over Heterogeneous Knowledge
• Title（参考訳）: HopPG:不均一な知識を問うマルチホップ質問に対する自己判断型プログラム生成
• Authors: Yingyao Wang, Yongwei Zhou, Chaoqun Duan, Junwei Bao, Tiejun Zhao
• Abstract要約: ヘテロジニアス知識を用いたマルチホッププログラム生成(HopPG)のための自己定型フレームワークを提案する。 我々は,MMQA-T2上でのモデル評価を行い,実験結果から,HopPGが既存のセマンティックパーシングベースラインより優れていることが示された。
• 参考スコア（独自算出の注目度）: 25.301654476158845
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: The semantic parsing-based method is an important research branch for knowledge-based question answering. It usually generates executable programs lean upon the question and then conduct them to reason answers over a knowledge base. Benefit from this inherent mechanism, it has advantages in the performance and the interpretability. However, traditional semantic parsing methods usually generate a complete program before executing it, which struggles with multi-hop question answering over heterogeneous knowledge. On one hand, generating a complete multi-hop program relies on multiple heterogeneous supporting facts, and it is difficult for generators to understand these facts simultaneously. On the other hand, this way ignores the semantic information of the intermediate answers at each hop, which is beneficial for subsequent generation. To alleviate these challenges, we propose a self-iterative framework for multi-hop program generation (HopPG) over heterogeneous knowledge, which leverages the previous execution results to retrieve supporting facts and generate subsequent programs hop by hop. We evaluate our model on MMQA-T^2, and the experimental results show that HopPG outperforms existing semantic-parsing-based baselines, especially on the multi-hop questions.
• Abstract（参考訳）: 意味解析に基づく手法は知識に基づく質問応答の重要な研究分野である。 通常は、質問に頼って実行可能なプログラムを生成し、知識ベース上で答えを推論する。 このメカニズムの利点は、パフォーマンスと解釈可能性に利点があることです。 しかし、従来の意味解析手法は、実行前に完全なプログラムを生成し、不均一な知識に答えるマルチホップ問題に苦慮する。 一方、完全マルチホッププログラムの生成は、複数の異種な支援事実に依存しており、生成者がこれらの事実を同時に理解することは困難である。 一方、この方法は各ホップにおける中間回答の意味情報を無視するものであり、これはその後の世代にとって有益である。 これらの課題を緩和するため,我々は,前回の実行結果を利用して支援事実を検索し,その後のプログラムホップをホップで生成するヘテロジニアス知識を用いたマルチホッププログラム生成(hoppg)のための自己イテレーティブフレームワークを提案する。 我々は,MMQA-T^2上でのモデル評価を行い,実験結果から,HopPGが既存のセマンティックパーシングベースライン,特にマルチホップ質問よりも優れていることが示された。

関連論文リスト

• Performance Prediction for Multi-hop Questions [7.388002745070808]
  オープンドメイン型マルチホップ質問の性能を予測するための検索前手法であるmultHPを提案する。 評価の結果,提案モデルが従来のシングルホップQPPモデルよりも優れた性能を示すことが示唆された。
  論文  参考訳（メタデータ） (2023-08-12T01:34:41Z)
• Rethinking Label Smoothing on Multi-hop Question Answering [87.68071401870283]
  MHQA (Multi-Hop Question Answering) は質問応答において重要な分野である。 本研究では,マルチホップ推論の性能を制限する主要な要因を解析する。 学習プロセスに不確実性を組み込んだ新しいラベル平滑化手法F1 Smoothingを提案する。
  論文  参考訳（メタデータ） (2022-12-19T14:48:08Z)
• Understanding and Improving Zero-shot Multi-hop Reasoning in Generative Question Answering [85.79940770146557]
  マルチホップ質問を複数の単一ホップ質問に分解する。 これらの対の見かけ上同一の問合せ連鎖について、QAモデルの答えに顕著な矛盾が認められる。 シングルホップの質問だけを訓練すると、モデルはマルチホップの質問に対してあまり一般化しない。
  論文  参考訳（メタデータ） (2022-10-09T11:48:07Z)
• Locate Then Ask: Interpretable Stepwise Reasoning for Multi-hop Question Answering [71.49131159045811]
  マルチホップ推論では、複雑な質問に答えるために複数の文書を集約する必要がある。 既存の方法は通常、マルチホップの質問を単純なシングルホップの質問に分解する。 そこで本研究では,単一ホップ支援文識別と単一ホップ質問生成の両方を組み込む,解釈可能な段階的推論フレームワークを提案する。
  論文  参考訳（メタデータ） (2022-08-22T13:24:25Z)
• Modeling Multi-hop Question Answering as Single Sequence Prediction [88.72621430714985]
  本稿では,単純な生成手法(PathFid)を提案する。 PathFidは、マルチホップ質問に対する回答を解決するための推論プロセスを明示的にモデル化する。 実験の結果,PathFidは2つのマルチホップQAデータセットに対して高い性能向上をもたらすことが示された。
  論文  参考訳（メタデータ） (2022-05-18T21:57:59Z)
• Multi-hop Question Generation with Graph Convolutional Network [58.31752179830959]
  マルチホップ質問生成(Multi-hop Question Generation, QG)は,異なる段落から散在する複数の証拠を集約・推論することで,回答に関連する質問を生成することを目的とする。 複数のホップでコンテキストエンコーディングを行うMulQG(Multi-Hop volution Fusion Network for Question Generation)を提案する。 提案モデルでは,高い完全性を有する流動的な質問を生成することができ,マルチホップ評価において,最強のベースラインを20.8%向上させることができる。
  論文  参考訳（メタデータ） (2020-10-19T06:15:36Z)
• Reinforced Multi-task Approach for Multi-hop Question Generation [47.15108724294234]
  我々は,その文脈における支援事実に基づいて,関連する質問を生成することを目的としたマルチホップ質問生成を取り上げている。 我々は,質問生成を導くために,回答認識支援事実予測の補助タスクを備えたマルチタスク学習を採用する。 マルチホップ質問応答データセットHotPotQAの実験を通して,提案手法の有効性を実証する。
  論文  参考訳（メタデータ） (2020-04-05T10:16:59Z)
• Generating Followup Questions for Interpretable Multi-hop Question Answering [12.021685546506877]
  本稿では,部分的な情報を読み取ってフォローアップ質問を生成する,オープンドメインのマルチホップ質問に応答するフレームワークを提案する。 このフレームワークは、各ホップを解釈可能とし、後続ホップに関連付けられた検索を、最初のホップと同じくらい柔軟で具体的なものにする。 本稿では,HotpotQAの2ホップブリッジ問題を用いた評価について述べる。
  論文  参考訳（メタデータ） (2020-02-27T18:58:15Z)

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。