論文の概要: Augment before You Try: Knowledge-Enhanced Table Question Answering via Table Expansion

• arxiv url: http://arxiv.org/abs/2401.15555v1
• Date: Sun, 28 Jan 2024 03:37:11 GMT
• ステータス: 処理完了
• システム内更新日: 2024-01-30 17:37:16.588606
• Title: Augment before You Try: Knowledge-Enhanced Table Question Answering via Table Expansion
• Title（参考訳）: 試す前に拡張: テーブル拡張による知識強化テーブル質問回答
• Authors: Yujian Liu, Jiabao Ji, Tong Yu, Ryan Rossi, Sungchul Kim, Handong Zhao, Ritwik Sinha, Yang Zhang, Shiyu Chang
• Abstract要約: テーブル質問応答は、構造化されたデータを理解し、相互作用するモデルの能力を評価する一般的なタスクである。 既存の方法は表と外部の知識の両方をテキストに変換し、表の構造的な性質を無視する。 そこで本稿では,表に外部情報を統合するための簡易で効果的な手法を提案する。
• 参考スコア（独自算出の注目度）: 57.53174887650989
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Table question answering is a popular task that assesses a model's ability to understand and interact with structured data. However, the given table often does not contain sufficient information for answering the question, necessitating the integration of external knowledge. Existing methods either convert both the table and external knowledge into text, which neglects the structured nature of the table; or they embed queries for external sources in the interaction with the table, which complicates the process. In this paper, we propose a simple yet effective method to integrate external information in a given table. Our method first constructs an augmenting table containing the missing information and then generates a SQL query over the two tables to answer the question. Experiments show that our method outperforms strong baselines on three table QA benchmarks. Our code is publicly available at https://github.com/UCSB-NLP-Chang/Augment_tableQA.
• Abstract（参考訳）: テーブル質問応答は、モデルが構造化データを理解し、相互作用する能力を評価する一般的なタスクである。 しかし、与えられた表は、しばしば質問に答えるために十分な情報を含んでおらず、外部知識の統合が必要である。 既存のメソッドでは、テーブルと外部の知識の両方をテキストに変換し、テーブルの構造的な性質を無視する。 本稿では,あるテーブルに外部情報を統合するための,シンプルで効果的な手法を提案する。 本手法では,まず欠落した情報を含む拡張テーブルを構築し,その2つのテーブル上でsqlクエリを生成して質問に答える。 実験の結果,本手法は3つのテーブルQAベンチマークにおいて高いベースラインを達成できた。 私たちのコードはhttps://github.com/UCSB-NLP-Chang/Augment_tableQAで公開されています。

関連論文リスト

• 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)
• Is Table Retrieval a Solved Problem? Exploring Join-Aware Multi-Table Retrieval [52.592071689901196]
  本稿では,テーブル検索において,任意のクエリやデータベースに対して有用な結合関係を明らかにする手法を提案する。 提案手法は,F1スコアの最大9.3%,エンドツーエンドQAの最大5.4%の精度で,テーブル検索の最先端手法よりも優れている。
  論文  参考訳（メタデータ） (2024-04-15T15:55:01Z)
• Enhancing Open-Domain Table Question Answering via Syntax- and Structure-aware Dense Retrieval [21.585255812861632]
  オープンドメインのテーブル質問応答は、大量のテーブルから情報を検索して抽出することで、質問に対する回答を提供することを目的としている。 オープンドメインテーブルQAの既存の研究は、直接テキスト検索手法を採用するか、テーブル検索のための符号化層にのみテーブル構造を考慮する。 オープンドメインテーブルQAタスクに対する構文と構造を意識した検索手法を提案する。
  論文  参考訳（メタデータ） (2023-09-19T10:40:09Z)
• 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)
• OmniTab: Pretraining with Natural and Synthetic Data for Few-shot Table-based Question Answering [106.73213656603453]
  最小限のアノテーションによるテーブルベースのQAモデルを構築した。 本稿では、自然データと合成データの両方を消費する全能事前学習手法を提案する。
  論文  参考訳（メタデータ） (2022-07-08T01:23:45Z)
• Dual Reader-Parser on Hybrid Textual and Tabular Evidence for Open Domain Question Answering [78.9863753810787]
  世界の知識は構造化データベースに保存されている。 クエリ言語は、複雑な推論を必要とする質問に答えるだけでなく、完全な説明可能性を提供することができる。
  論文  参考訳（メタデータ） (2021-08-05T22:04:13Z)
• Representations for Question Answering from Documents with Tables and Text [22.522986299412807]
  周囲のテキストからの情報をもとに表表現を精緻化することで、表からの質問応答の向上を目指します。 また,全文からの質問応答のためのテキストと表に基づく予測を組み合わせるための有効な方法を提案する。
  論文  参考訳（メタデータ） (2021-01-26T05:52:20Z)

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。