論文の概要: Reinforcement Learning for Conversational Question Answering over Knowledge Graph

• arxiv url: http://arxiv.org/abs/2401.08460v1
• Date: Tue, 16 Jan 2024 16:09:56 GMT
• ステータス: 処理完了
• システム内更新日: 2024-01-18 19:14:01.609772
• Title: Reinforcement Learning for Conversational Question Answering over Knowledge Graph
• Title（参考訳）: 知識グラフを用いた会話質問応答のための強化学習
• Authors: Mi Wu
• Abstract要約: 法知識ベース(KB)に関する会話型質問応答(ConvQA) 本稿では,この問題を解決するために強化学習を利用する。 強化学習エージェントは、入力質問が未経験である場合でも、入力質問と会話履歴とに基づいて、自動的に回答を見つける方法を学ぶことができる。
• 参考スコア（独自算出の注目度）: 0.1864807003137943
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Conversational question answering (ConvQA) over law knowledge bases (KBs) involves answering multi-turn natural language questions about law and hope to find answers in the law knowledge base. Despite many methods have been proposed. Existing law knowledge base ConvQA model assume that the input question is clear and can perfectly reflect user's intention. However, in real world, the input questions are noisy and inexplict. This makes the model hard to find the correct answer in the law knowledge bases. In this paper, we try to use reinforcement learning to solve this problem. The reinforcement learning agent can automatically learn how to find the answer based on the input question and the conversation history, even when the input question is inexplicit. We test the proposed method on several real world datasets and the results show the effectivenss of the proposed model.
• Abstract（参考訳）: 法知識ベース(KB)に関する会話的質問応答(ConvQA)は、法律に関する多ターンの自然言語質問に答えることと、法知識ベースで答えを見つけることを望んでいる。 多くの方法が提案されている。 既存の法律知識ベースconvqaモデルは、入力質問が明確であり、ユーザの意図を完全に反映できると仮定する。 しかし、現実の世界では、入力の質問は騒がしく、不明瞭です。 これによりモデルは、法律知識ベースで正しい答えを見つけることが困難になる。 本稿では,強化学習を用いてこの問題を解決しようとする。 強化学習エージェントは、入力質問が不正確であっても、入力質問と会話履歴に基づいて、回答の検索方法を自動的に学習することができる。 本研究では,いくつかの実世界データセット上で提案手法をテストし,提案モデルの有効性を示す。

関連論文リスト

• Don't Just Say "I don't know"! Self-aligning Large Language Models for Responding to Unknown Questions with Explanations [70.6395572287422]
  自己調整法は,回答を拒否するだけでなく,未知の質問の解答不能を説明できる。 我々は, LLM自体を微調整し, 未知の質問に対する応答を所望の通りに調整するために, 偏差駆動による自己計算を行い, 有資格データを選択する。
  論文  参考訳（メタデータ） (2024-02-23T02:24:36Z)
• Open-Set Knowledge-Based Visual Question Answering with Inference Paths [79.55742631375063]
  知識に基づく視覚的質問回答(KB-VQA)の目的は、外部知識ベースの助けを借りて質問に対する正しい回答を提供することである。 KB-VQA, Graph pATH ranker (GATHER for brevity) の新しいレトリバーランカパラダイムを提案する。 具体的には、グラフの構築、プルーニング、パスレベルのランク付けが含まれており、正確な回答を検索するだけでなく、推論パスを提供して推論プロセスを説明する。
  論文  参考訳（メタデータ） (2023-10-12T09:12:50Z)
• RECKONING: Reasoning through Dynamic Knowledge Encoding [51.076603338764706]
  言語モデルは、文脈の一部として提供される知識について推論することで、質問に答えることができることを示す。 これらの状況では、モデルは質問に答えるために必要な知識を区別することができない。 我々は、与えられた文脈知識をモデルのパラメータに折り畳み、より堅牢に推論するようにモデルに教えることを提案する。
  論文  参考訳（メタデータ） (2023-05-10T17:54:51Z)
• Reinforcement Learning from Reformulations in Conversational Question Answering over Knowledge Graphs [28.507683735633464]
  本研究では,質問や修正の会話の流れから学習できる強化学習モデル「ConQUER」を提案する。 実験では、CONQUERが騒々しい報酬信号から会話の質問に答えることに成功したことが示されています。
  論文  参考訳（メタデータ） (2021-05-11T08:08:35Z)
• Multi-Modal Answer Validation for Knowledge-Based VQA [44.80209704315099]
  外部知識を用いたマルチモーダル回答検証(MAVEx)を提案する。 アイデアは、答え固有の知識検索に基づいて有望な回答候補のセットを検証することです。 難解な知識に基づくVQAデータセットであるOK-VQAを用いた実験により、MAVExが新しい最先端の結果を得ることを示す。
  論文  参考訳（メタデータ） (2021-03-23T00:49:36Z)
• KRISP: Integrating Implicit and Symbolic Knowledge for Open-Domain Knowledge-Based VQA [107.7091094498848]
  VQAの最も難しい質問の1つは、質問に答えるために画像に存在しない外部の知識を必要とする場合です。 本研究では,解答に必要な知識が与えられたり記入されたりしないオープンドメイン知識を,トレーニング時やテスト時にも検討する。 知識表現と推論には2つのタイプがあります。 まず、トランスベースのモデルで教師なし言語事前トレーニングと教師付きトレーニングデータから効果的に学ぶことができる暗黙的な知識。
  論文  参考訳（メタデータ） (2020-12-20T20:13:02Z)
• Knowledge-Routed Visual Question Reasoning: Challenges for Deep Representation Embedding [140.5911760063681]
  VQAモデル評価のためのナレッジルーティング視覚質問推論という新しいデータセットを提案する。 視覚ゲノムシーングラフと外部知識ベースの両方に基づいて,制御プログラムを用いて質問応答対を生成する。
  論文  参考訳（メタデータ） (2020-12-14T00:33:44Z)
• Retrieve, Program, Repeat: Complex Knowledge Base Question Answering via Alternate Meta-learning [56.771557756836906]
  本稿では,弱い監督からプログラマと交互に検索モデルを自動的に学習する手法を提案する。 本システムでは,知識ベースに対する複雑な質問応答を行う大規模タスクにおいて,最先端のパフォーマンスを実現する。
  論文  参考訳（メタデータ） (2020-10-29T18:28:16Z)
• Question Answering over Knowledge Base using Language Model Embeddings [0.0]
  本稿では,知識ベース質問回答タスクにおける事前学習言語モデルの利用に焦点を当てる。 さらに,これらの埋め込みを知識ベースから質問まで,双方向の注意機構で微調整した。 提案手法は,質問事項を表現するためのマルチヘッドアテンション機構を備えた,単純な畳み込みニューラルネットワークアーキテクチャに基づいている。
  論文  参考訳（メタデータ） (2020-10-17T22:59:34Z)

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。