論文の概要: H-STAR: LLM-driven Hybrid SQL-Text Adaptive Reasoning on Tables
- arxiv url: http://arxiv.org/abs/2407.05952v1
- Date: Sat, 29 Jun 2024 21:24:19 GMT
- ステータス: 処理完了
- システム内更新日: 2024-07-22 14:19:18.458400
- Title: H-STAR: LLM-driven Hybrid SQL-Text Adaptive Reasoning on Tables
- Title（参考訳）: H-STAR: LLM駆動型ハイブリッドSQL-Text Adaptive Reasoning on Tables
- Authors: Nikhil Abhyankar, Vivek Gupta, Dan Roth, Chandan K. Reddy,
- Abstract要約: タブラル推論では、構造化テーブルに対して非構造化クエリを解釈する。
文的推論は意味論的解釈では優れているが、数学的推論では不足する。
本稿では,テーブル抽出と適応推論を含む新しいアルゴリズムH-STARを提案する。
- 参考スコア（独自算出の注目度）: 56.73919743039263
- License: http://creativecommons.org/licenses/by-sa/4.0/
- Abstract: Tabular reasoning involves interpreting unstructured queries against structured tables, requiring a synthesis of textual understanding and symbolic reasoning. Existing methods rely on either of the approaches and are constrained by their respective limitations. Textual reasoning excels in semantic interpretation unlike symbolic reasoning (SQL logic), but falls short in mathematical reasoning where SQL excels. In this paper, we introduce a novel algorithm H-STAR, comprising table extraction and adaptive reasoning, integrating both symbolic and semantic (text-based) approaches. To enhance evidence extraction, H-STAR employs a multi-view approach, incorporating step-by-step row and column retrieval. It also adapts reasoning strategies based on question types, utilizing symbolic reasoning for quantitative and logical tasks, and semantic reasoning for direct lookup and complex lexical queries. Our extensive experiments demonstrate that H-STAR significantly outperforms state-of-the-art methods across three tabular question-answering (QA) and fact-verification datasets, underscoring its effectiveness and efficiency.
- Abstract（参考訳）: タブラル推論は構造化テーブルに対して非構造化クエリを解釈し、テキスト理解とシンボリック推論の合成を必要とする。
既存の手法はどちらのアプローチにも依存しており、それぞれの制限によって制約される。
テキスト推論は、シンボリック推論(SQL論理)とは異なり、意味論的解釈において優れているが、SQLが優れている数学的推論では不足している。
本稿では,表抽出と適応推論を組み合わせた新しいアルゴリズムH-STARを提案する。
H-STARは、エビデンス抽出を強化するために、ステップバイステップの行と列の検索を取り入れたマルチビューアプローチを採用している。
また、質問型に基づく推論戦略、量的および論理的タスクのシンボリック推論、直接的なルックアップと複雑な語彙的クエリのセマンティック推論を適用する。
我々の広範な実験により,H-STARは3つの表付き質問回答(QA)と事実検証データセットで最先端の手法を大幅に上回り,その有効性と効率性を実証した。
関連論文リスト
- Thought-Path Contrastive Learning via Premise-Oriented Data Augmentation for Logical Reading Comprehension [9.67774998354062]
これまでの研究は主に、Chain-of-Thought(CoT)やデータ拡張による論理的推論能力の向上に重点を置いてきた。
本稿では,CoTの論理式を生成するためのPODA(Premise-Oriented Data Augmentation)フレームワークを提案する。
また,本論文では,原案と反実例の推論経路を比較検討する新たな思考経路コントラスト学習手法についても紹介する。
論文 参考訳（メタデータ） (2024-09-22T15:44:43Z) - Semantic Parsing for Question Answering over Knowledge Graphs [3.10647754288788]
本稿では,知識グラフ上での質問応答のためのグラフ・ツー・セグメンテーション・マッピングを用いた新しい手法を提案する。
この手法は、これらの発話を解釈するための重要なアプローチである意味解析に焦点を当てている。
我々のフレームワークはルールベースとニューラルベースを組み合わせて意味セグメントのシーケンスを解析・構築する。
論文 参考訳（メタデータ） (2023-12-01T20:45:06Z) - Modeling Hierarchical Reasoning Chains by Linking Discourse Units and
Key Phrases for Reading Comprehension [80.99865844249106]
本稿では,論理的推論の基盤として,対話レベルと単語レベルの両方の文脈を扱う総合グラフネットワーク(HGN)を提案する。
具体的には、ノードレベルの関係とタイプレベルの関係は、推論過程におけるブリッジと解釈できるが、階層的な相互作用機構によってモデル化される。
論文 参考訳（メタデータ） (2023-06-21T07:34:27Z) - HPE:Answering Complex Questions over Text by Hybrid Question Parsing and
Execution [92.69684305578957]
テキストQAにおける質問解析と実行の枠組みを提案する。
提案したフレームワークは、トップダウンの質問パースとして、ボトムアップの回答バックトラックとみなすことができる。
MuSiQue,2WikiQA,HotpotQA,およびNQに関する実験により,提案した解析およびハイブリッド実行フレームワークが,教師付き,少数ショット,ゼロショット設定における既存のアプローチより優れていることを示す。
論文 参考訳（メタデータ） (2023-05-12T22:37:06Z) - MURMUR: Modular Multi-Step Reasoning for Semi-Structured Data-to-Text
Generation [102.20036684996248]
多段階推論を用いた半構造化データからテキストを生成するための,ニューロシンボリックなモジュラーアプローチであるMURMURを提案する。
WebNLG や LogicNLG のような2つのデータ・テキスト生成タスクについて実験を行った。
論文 参考訳（メタデータ） (2022-12-16T17:36:23Z) - Suggesting Relevant Questions for a Query Using Statistical Natural
Language Processing Technique [0.0]
ユーザクエリに対する同様の質問の推奨には、EコマースWebサイトのユーザの検索時間短縮、企業の従業員のトレーニング、学生の全体学習など、多くのアプリケーションがある。
同様の疑問を提起するために自然言語処理技術が使われているのは、既存のアーキテクチャ上で一般的である。
論文 参考訳（メタデータ） (2022-04-26T04:30:16Z) - MERIt: Meta-Path Guided Contrastive Learning for Logical Reasoning [63.50909998372667]
テキストの論理的ReasonIngに対して,Metaパスを用いたコントラスト学習手法であるMERItを提案する。
2つの新しい戦略が我々の手法の必須要素である。
論文 参考訳（メタデータ） (2022-03-01T11:13:00Z) - AR-LSAT: Investigating Analytical Reasoning of Text [57.1542673852013]
テキストの分析的推論の課題を研究し、1991年から2016年までのロースクール入学試験からの質問からなる新しいデータセットを紹介します。
我々は,この課題をうまくこなすために必要な知識理解と推論能力を分析する。
論文 参考訳（メタデータ） (2021-04-14T02:53:32Z)
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。