論文の概要: Localize, Retrieve and Fuse: A Generalized Framework for Free-Form
Question Answering over Tables
- arxiv url: http://arxiv.org/abs/2309.11049v1
- Date: Wed, 20 Sep 2023 03:52:34 GMT
- ステータス: 処理完了
- システム内更新日: 2023-09-21 17:25:03.090288
- Title: Localize, Retrieve and Fuse: A Generalized Framework for Free-Form
Question Answering over Tables
- Title（参考訳）: Localize, Retrieve and Fuse: テーブル上のフリーフォーム質問回答のための汎用フレームワーク
- Authors: Wenting Zhao, Ye Liu, Yao Wan, Yibo Wang, Zhongfen Deng, and Philip S.
Yu
- Abstract要約: 本報告では,TableQA生成のための長文自由形式の解法を提案する。
テーブル・ツー・グラフ変換、セルローカライズ、外部知識検索、テーブル・テキスト融合という3段階のアプローチを提案する。
実験により、TAG-QAは、いくつかの最先端のベースラインと比較して、より忠実で一貫性のある文を生成することができることが示された。
- 参考スコア（独自算出の注目度）: 46.039687237878105
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Question answering on tabular data (TableQA), which aims at generating
answers to questions grounded on a given table, has attracted increasing
attention in recent years. Existing work tends to generate factual short-form
answers by extracting information from one or a few table cells without
reasoning over selected table cells. However, the free-form TableQA, requiring
a more complex relevant table cell selection strategy and the complex
integration and inference of separate pieces of information, has been
under-explored. To this end, this paper proposes a generalized three-stage
approach: Table-to-Graph conversion and cell localizing, external knowledge
retrieval and table-text fusion (called TAG-QA), addressing the challenge of
inferring long free-form answer for generative TableQA. In particular, TAG-QA
(1) locates relevant table cells using a graph neural network to gather
intersecting cells between relevant rows and columns; (2) leverages external
knowledge from Wikipedia and (3) generates answers by integrating both tabular
data and natural linguistic information. Experiments with a human evaluation
demonstrate that TAG-QA is capable of generating more faithful and coherent
sentence when compared with several state-of-the-art baselines. Especially,
TAG-QA outperforms the strong pipeline-based baseline TAPAS by 17% and 14%, in
terms of BLEU-4 and PARENT F-score, respectively. Moreover, TAG-QA outperforms
end-to-end model T5 by 16% and 12% on BLEU-4 and PARENT F-score.
- Abstract（参考訳）: 表データ(tableqa, question answering on tabular data, 表データ)は、ある表上の質問に対する回答を生成することを目的としているが、近年は注目を集めている。
既存の作業は、選択されたテーブルセルを推論することなく、1つまたは数個のテーブルセルから情報を抽出することで、実際のショートフォームの回答を生成する傾向がある。
しかし、より複雑なテーブルセル選択戦略と、別々の情報の複雑な統合と推論を必要とするフリーフォームのTableQAは、未調査である。
そこで本研究では,テーブルからグラフへの変換とセルローカライズ,外部知識検索,テーブルテキスト融合(TAG-QA)という3段階のアプローチを提案する。
特に、tag-qaは、グラフニューラルネットワークを用いて関連するテーブルセルを見つけ、関連する行と列の間に交差するセルを収集する。(2)wikipediaの外部知識を活用して、(3)表データと自然言語情報を統合して回答を生成する。
人間による評価実験により、TAG-QAはいくつかの最先端のベースラインと比較して、より忠実で一貫性のある文を生成することができることが示された。
特に、TAG-QAは、それぞれBLEU-4とPARENT Fスコアで、強いパイプラインベースのベースラインTAPASを17%、かつ14%上回る。
さらに、TAG-QA は BLEU-4 と PARENT F-score で、エンドツーエンドモデル T5 を 16% と 12% で上回っている。
関連論文リスト
- Knowledge in Triples for LLMs: Enhancing Table QA Accuracy with Semantic Extraction [1.0968343822308813]
本稿では,表型データから直交三重項を抽出し,それを検索拡張生成(RAG)モデルに統合することにより,微調整GPT-3.5-turbo-0125モデルにより生成された応答の精度,コヒーレンス,コンテキスト的リッチ性を向上させる手法を提案する。
FeTaQAデータセットの既存のベースライン、特にSacre-BLEUとROUGEの指標に優れています。
論文 参考訳（メタデータ） (2024-09-21T16:46:15Z) - KET-QA: A Dataset for Knowledge Enhanced Table Question Answering [63.56707527868466]
本研究では,TableQAの外部知識源として知識ベース(KB)を用いることを提案する。
すべての質問は、答えるテーブルとサブグラフの両方からの情報を統合する必要がある。
我々は,膨大な知識サブグラフから関連する情報を抽出するために,レトリバー・レゾナー構造パイプラインモデルを設計する。
論文 参考訳（メタデータ） (2024-05-13T18:26:32Z) - TACR: A Table-alignment-based Cell-selection and Reasoning Model for
Hybrid Question-Answering [31.79113994947629]
テキストとテーブルQAのハイブリッド化を目的としたテーブルアライメントに基づくセル選択・推論モデル(TACR)を提案する。
証拠検索において,我々は詳細な証拠を検索するテーブルクエストアライメント強化セル選択法を設計する。
回答推論では、選択されたセルを含む行をコンテキストとして扱うQAモジュールを組み込む。
論文 参考訳（メタデータ） (2023-05-24T03:42:44Z) - MultiTabQA: Generating Tabular Answers for Multi-Table Question
Answering [61.48881995121938]
実世界のクエリは本質的に複雑で、リレーショナルデータベースやWebページ内の複数のテーブルにまたがることが多い。
我々のモデルであるMultiTabQAは、複数のテーブル上の質問に答えるだけでなく、表形式の回答を生成するために一般化する。
論文 参考訳（メタデータ） (2023-05-22T08:25:15Z) - Multi-Row, Multi-Span Distant Supervision For Table+Text Question [33.809732338627136]
テーブル上の質問応答(QA)と、TextTableQAとも呼ばれるリンクされたテキストは、近年重要な研究を目撃している。
両軸に沿って遠隔監視を行うように設計された変換器ベースのTextTableQAシステムであるMITQAを提案する。
論文 参考訳（メタデータ） (2021-12-14T12:48:19Z) - TAT-QA: A Question Answering Benchmark on a Hybrid of Tabular and
Textual Content in Finance [71.76018597965378]
TAT-QAと呼ばれるタブラデータとテクスチャデータの両方を含む新しい大規模な質問応答データセットを構築します。
本稿では,テーブルとテキストの両方を推論可能な新しいQAモデルであるTAGOPを提案する。
論文 参考訳（メタデータ） (2021-05-17T06:12:06Z) - FeTaQA: Free-form Table Question Answering [33.018256483762386]
FeTaQAは10Kのウィキペディアベースのテーブル、質問、自由形式の回答、テーブルセルペアをサポートする新しいデータセットである。
FeTaQAは、構造化された知識ソースから複数の不連続な事実の検索、推論、および統合後に自由形式のテキスト回答を生成する必要があるため、より困難なテーブル質問回答設定を提供する。
論文 参考訳（メタデータ） (2021-04-01T09:59:40Z) - TCN: Table Convolutional Network for Web Table Interpretation [52.32515851633981]
テーブル内情報とテーブル間情報の両方を考慮した新しいテーブル表現学習手法を提案する。
カラムタイプ予測ではf1の4.8%、カラム対関係予測ではf1の4.1%で競合ベースラインを上回ることができる。
論文 参考訳（メタデータ） (2021-02-17T02:18:10Z) - Open Question Answering over Tables and Text [55.8412170633547]
オープンな質問応答(QA)では、質問に対する回答は、質問に対する回答を含む可能性のある文書を検索して分析することによって生成される。
ほとんどのオープンQAシステムは、構造化されていないテキストからのみ情報を取得することを検討している。
我々は,このタスクの性能を評価するために,新しい大規模データセット Open Table-and-Text Question Answering (OTT-QA) を提案する。
論文 参考訳（メタデータ） (2020-10-20T16:48:14Z)
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。