論文の概要: Faithful Temporal Question Answering over Heterogeneous Sources

• arxiv url: http://arxiv.org/abs/2402.15400v1
• Date: Fri, 23 Feb 2024 16:03:17 GMT
• ステータス: 処理完了
• システム内更新日: 2024-02-26 14:00:48.717992
• Title: Faithful Temporal Question Answering over Heterogeneous Sources
• Title（参考訳）: 不均質な情報源に対する忠実な時間的質問
• Authors: Zhen Jia, Philipp Christmann, Gerhard Weikum
• Abstract要約: 最先端の手法は3次元に制限がある。 これらの欠点に対処する時間的QAシステムを提案する。 実験は、一連のベースラインよりも優れたパフォーマンスを示す。
• 参考スコア（独自算出の注目度）: 25.37672008402411
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Temporal question answering (QA) involves time constraints, with phrases such as "... in 2019" or "... before COVID". In the former, time is an explicit condition, in the latter it is implicit. State-of-the-art methods have limitations along three dimensions. First, with neural inference, time constraints are merely soft-matched, giving room to invalid or inexplicable answers. Second, questions with implicit time are poorly supported. Third, answers come from a single source: either a knowledge base (KB) or a text corpus. We propose a temporal QA system that addresses these shortcomings. First, it enforces temporal constraints for faithful answering with tangible evidence. Second, it properly handles implicit questions. Third, it operates over heterogeneous sources, covering KB, text and web tables in a unified manner. The method has three stages: (i) understanding the question and its temporal conditions, (ii) retrieving evidence from all sources, and (iii) faithfully answering the question. As implicit questions are sparse in prior benchmarks, we introduce a principled method for generating diverse questions. Experiments show superior performance over a suite of baselines.
• Abstract（参考訳）: 時間的質問応答(qa)には時間的制約があり、"... in 2019" や "... before covid" といったフレーズがある。 前者では、時間は明示的な条件であり、後者では暗黙的である。 最先端の手法は3次元に制限がある。 第一に、神経推論では、時間制約は単にソフトマッチングであり、無効または説明不能な回答の余地を与える。 第二に、暗黙の時間を持つ質問は不十分である。 第3に、答えは単一のソースから得られる:知識ベース(KB)またはテキストコーパスである。 これらの欠点に対処する時間的QAシステムを提案する。 まず、具体的な証拠を忠実に答えるために時間的制約を課す。 第二に、暗黙の質問を適切に処理する。 第3に、KB、テキスト、Webテーブルを統一的にカバーする異種ソース上で動作する。 方法には3つの段階があります (i)問題とその時間的条件を理解すること。 (ii)すべての資料から証拠を回収すること、及び (iii)その質問に忠実に答える。 先行ベンチマークでは暗黙の質問が乏しいため,様々な質問を生成するための原則的な方法を導入する。 実験は、一連のベースラインよりも優れたパフォーマンスを示す。

関連論文リスト

• Which questions should I answer? Salience Prediction of Inquisitive Questions [118.097974193544]
  非常に健全な質問は、同じ記事で経験的に答えられる可能性が高いことを示す。 質問に対する回答が,ニュースの要約品質の指標であることを示すことで,我々の知見をさらに検証する。
  論文  参考訳（メタデータ） (2024-04-16T21:33:05Z)
• 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)
• Joint Multi-Facts Reasoning Network For Complex Temporal Question Answering Over Knowledge Graph [34.44840297353777]
  時間的知識グラフ(TKG)は、時間範囲をアタッチすることで、通常の知識グラフの拡張である。 textbfunderlineMulti textbfunderlineFacts textbfunderlineReasoning textbfunderlineNetwork (JMFRN)を提案する。
  論文  参考訳（メタデータ） (2024-01-04T11:34:39Z)
• Question Answering in Natural Language: the Special Case of Temporal Expressions [0.0]
  本研究の目的は,1段落内の時間的質問に対する回答を見つけるために,一般的な質問応答や回答抽出に使用される一般的なアプローチを活用することである。 モデルをトレーニングするために、SQuADにインスパイアされた新しいデータセットを提案する。 本評価は,パターンマッチングを訓練した深層学習モデルにおいて,時間的質問応答に適応できることを示す。
  論文  参考訳（メタデータ） (2023-11-23T16:26:24Z)
• CREPE: Open-Domain Question Answering with False Presuppositions [92.20501870319765]
  オンライン情報検索フォーラムからの予測失敗の自然な分布を含むQAデータセットであるCREPEを紹介する。 25%の質問が偽の前提命題を含み、これらの前提命題とその修正のための注釈を提供する。 既存のオープンドメインQAモデルの適応は適度に予測できるが、仮定が実際に正しいかどうかを予測するのに苦労する。
  論文  参考訳（メタデータ） (2022-11-30T18:54:49Z)
• WikiWhy: Answering and Explaining Cause-and-Effect Questions [62.60993594814305]
  自然言語で答えが正しい理由を説明するために構築されたQAデータセットであるWikiWhyを紹介する。 WikiWhyには、ウィキペディアのさまざまなトピックの事実に基づいて、9000以上の「なぜ」質問回答の3つ組が含まれている。 GPT-3ベースラインは、エンドツーエンドの回答と説明条件において、人間の評価された正しさを38.7%しか達成していない。
  論文  参考訳（メタデータ） (2022-10-21T17:59:03Z)
• Reasoning over Logically Interacted Conditions for Question Answering [113.9231035680578]
  我々は、論理的に相互作用する条件のリストによって答えが制約される、より困難なタスクについて研究する。 本稿では,この難解な推論タスクのための新しいモデルTReasonerを提案する。 TReasonerは、2つのベンチマーク条件付きQAデータセットで最先端のパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2022-05-25T16:41:39Z)
• Targeted Extraction of Temporal Facts from Textual Resources for Improved Temporal Question Answering over Knowledge Bases [21.108609901224572]
  知識ベース質問回答システム(KBQA)は、知識ベース(KB)から取得した関連事実を推論することで、複雑な自然言語質問に答えることを目的としている。 これらのシステムで直面する大きな課題の1つは、不完全なKBとエンティティ/リレーショナルリンクエラーによって、関連するすべての事実を検索できないことである。 本稿では,KBから時間的事実を取り出すのに失敗した場合にKBQAを支援するために,対象の時間的事実抽出技術を用いる手法を提案する。
  論文  参考訳（メタデータ） (2022-03-21T15:26:35Z)
• Improving Time Sensitivity for Question Answering over Temporal Knowledge Graphs [13.906994055281826]
  本稿では,これらの問題に対処するための時間依存型質問応答(TSQA)フレームワークを提案する。 TSQAは、未記述のタイムスタンプを質問から推測するタイムスタンプ推定モジュールを備えている。 また、TSQAがベースとしている時間依存性KGエンコーダを用いて、時間依存性KGエンコーダを用いて、時間依存性KGエンコーダを注入する。
  論文  参考訳（メタデータ） (2022-03-01T06:21:14Z)
• TempoQR: Temporal Question Reasoning over Knowledge Graphs [11.054877399064804]
  本稿では,知識グラフに関する複雑な疑問に答える包括的埋め込み型フレームワークを提案する。 提案手法は時間的問題推論(TempoQR)と呼ばれ、TKGの埋め込みを利用して、対象とする特定のエンティティや時間範囲に疑問を定めている。 実験の結果,TempoQRの精度は25～45ポイント向上した。
  論文  参考訳（メタデータ） (2021-12-10T23:59:14Z)
• ConditionalQA: A Complex Reading Comprehension Dataset with Conditional Answers [93.55268936974971]
  条件付き回答を含む複雑な質問を含む質問回答データセットについて述べる。 このデータセットを ConditionalQA と呼びます。 本稿では,既存のQAモデルの多く,特に回答条件の選択において,ConditionalQAは困難であることを示す。
  論文  参考訳（メタデータ） (2021-10-13T17:16:46Z)

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。