論文の概要: Large Language Models as a Tool for Mining Object Knowledge

• arxiv url: http://arxiv.org/abs/2410.12959v1
• Date: Wed, 16 Oct 2024 18:46:02 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-10-18 13:22:08.245203
• Title: Large Language Models as a Tool for Mining Object Knowledge
• Title（参考訳）: オブジェクト知識のマイニングツールとしての大規模言語モデル
• Authors: Hannah YoungEun An, Lenhart K. Schubert,
• Abstract要約: 大きな言語モデルは、その答えの根拠の不透明さと、疑問が持たれたときに事実を議論する傾向があるため、信頼できるインテリジェントシステムとして不足する。 本稿では,日常の共通アーティファクトに関する明示的な知識について考察する。 約2,300個のオブジェクトとそのサブタイプの部品や材料に関するデータのリポジトリを作成します。 この知識マイニングへの貢献は、物体の構造と構成に関する推論に関するAI研究に有用であることが証明されるべきである。
• 参考スコア（独自算出の注目度）: 0.42970700836450487
• License:
• Abstract: Commonsense knowledge is essential for machines to reason about the world. Large language models (LLMs) have demonstrated their ability to perform almost human-like text generation. Despite this success, they fall short as trustworthy intelligent systems, due to the opacity of the basis for their answers and a tendency to confabulate facts when questioned about obscure entities or technical domains. We hypothesize, however, that their general knowledge about objects in the everyday world is largely sound. Based on that hypothesis, this paper investigates LLMs' ability to formulate explicit knowledge about common physical artifacts, focusing on their parts and materials. Our work distinguishes between the substances that comprise an entire object and those that constitute its parts$\unicode{x2014}$a previously underexplored distinction in knowledge base construction. Using few-shot with five in-context examples and zero-shot multi-step prompting, we produce a repository of data on the parts and materials of about 2,300 objects and their subtypes. Our evaluation demonstrates LLMs' coverage and soundness in extracting knowledge. This contribution to knowledge mining should prove useful to AI research on reasoning about object structure and composition and serve as an explicit knowledge source (analogous to knowledge graphs) for LLMs performing multi-hop question answering.
• Abstract（参考訳）: 機械が世界を理解するためには常識的な知識が不可欠である。 大規模言語モデル(LLM)は、人間に近いテキスト生成を行う能力を示した。 この成功にもかかわらず、彼らは、彼らの答えの根拠の不透明さと、不明瞭な実体や技術的ドメインについて質問された時に事実を議論する傾向があるため、信頼できるインテリジェントシステムとして不足している。 しかし、日常生活における物体に関する一般的な知識は概ね健全である、という仮説を立てる。 この仮説に基づき, LLMは, 部品や材料に焦点をあて, 一般の物理的アーティファクトに関する明確な知識を定式化する能力について検討する。 我々の研究は、対象全体を構成する物質と、その部分を構成する物質を区別する。 5つのインコンテキストの例とゼロショットのマルチステッププロンプトで、約2300のオブジェクトとそのサブタイプの部品や材料に関するデータのリポジトリを生成します。 本評価は,LLMの知識抽出における可聴性および可聴性を示すものである。 この知識マイニングへの貢献は、オブジェクト構造と構成に関する推論に関するAI研究において有用であることが証明され、マルチホップ質問応答を行うLLMの明示的な知識源(知識グラフに類似)として機能する。

関連論文リスト

• A Perspective on Large Language Models, Intelligent Machines, and Knowledge Acquisition [0.6138671548064355]
  大言語モデル(LLM)は「知識」を生成できることで知られている。 しかし、抽象概念と推論を理解するためのLLMと人間の能力の間には大きなギャップがある。 我々はこれらの問題を、人間の知識獲得とチューリングテストの哲学的な文脈で論じる。
  論文  参考訳（メタデータ） (2024-08-13T03:25:49Z)
• DIVKNOWQA: Assessing the Reasoning Ability of LLMs via Open-Domain Question Answering over Knowledge Base and Text [73.68051228972024]
  大きな言語モデル(LLM)は印象的な生成能力を示すが、内部知識に依存すると幻覚に悩まされる。 検索拡張LDMは、外部知識においてLLMを基盤とする潜在的な解決策として出現している。
  論文  参考訳（メタデータ） (2023-10-31T04:37:57Z)
• POSQA: Probe the World Models of LLMs with Size Comparisons [38.30479784257936]
  身体的言語理解は、言語理解が単に脳の精神的処理の問題ではないことを強調している。 LLM(Large Language Models)の爆発的成長と、私たちの日常生活にすでに広く存在していることから、現実の理解を検証する必要性が高まっている。
  論文  参考訳（メタデータ） (2023-10-20T10:05:01Z)
• MechGPT, a language-based strategy for mechanics and materials modeling that connects knowledge across scales, disciplines and modalities [0.0]
  我々は,Large Language Model (LLM) を用いて,質問応答対を原料から抽出し,微調整する。 得られたMechGPT LLM基盤モデルは、知識検索、様々な言語タスク、仮説生成、異なる領域にわたる知識の接続能力を調べるために、一連の計算実験で使用される。
  論文  参考訳（メタデータ） (2023-10-16T14:29:35Z)
• Beyond Factuality: A Comprehensive Evaluation of Large Language Models as Knowledge Generators [78.63553017938911]
  大規模言語モデル(LLM)は、下流の知識集約タスクのための情報検索技術より優れている。 しかし、コミュニティの懸念は、この無検閲の知識を使用することの事実と潜在的意味について多岐にわたる。 本研究では,6つの重要な視点から生成した知識を評価するために設計されたCONNERを紹介する。
  論文  参考訳（メタデータ） (2023-10-11T08:22:37Z)
• Do Large Language Models Know about Facts? [60.501902866946]
  大規模言語モデル(LLM)は、最近、さまざまな自然言語処理タスクにおいて、大幅なパフォーマンス改善を推進している。 我々は,ベンチマークPinocchioを設計し,LLM内の事実知識の範囲と範囲を評価することを目的とする。 Pinocchioには、異なるソース、タイムライン、ドメイン、リージョン、言語にまたがる20万のさまざまな事実質問が含まれている。
  論文  参考訳（メタデータ） (2023-10-08T14:26:55Z)
• From task structures to world models: What do LLMs know? [0.0]
  大規模言語モデルにはどのような意味があるのでしょうか? 我々は LLM に「制度的な知識」を与えることで答える。 そして、そのような知識が、人間のエージェントによって提示されるより普通の「現実的な」知識とどのように関連しているかを問う。
  論文  参考訳（メタデータ） (2023-10-06T14:21:59Z)
• Brain in a Vat: On Missing Pieces Towards Artificial General Intelligence in Large Language Models [83.63242931107638]
  本稿では,知的エージェントの4つの特徴について述べる。 実世界の物体との活発な関わりは、概念的表現を形成するためのより堅牢な信号をもたらすと我々は主張する。 我々は、人工知能分野における将来的な研究の方向性を概説して結論付ける。
  論文  参考訳（メタデータ） (2023-07-07T13:58:16Z)
• Do Large Language Models Know What They Don't Know? [74.65014158544011]
  大規模言語モデル(LLM)は、様々な自然言語処理(NLP)タスクに優れた知識を持つ。 膨大な知識にもかかわらず、LLMはそれらが適合し理解できる情報の量によって制限されている。 本研究の目的は,LLMの自己理解能力を評価することである。
  論文  参考訳（メタデータ） (2023-05-29T15:30:13Z)
• Learning by Asking Questions for Knowledge-based Novel Object Recognition [64.55573343404572]
  実世界のオブジェクト認識には、認識すべきオブジェクトクラスが多数存在する。教師付き学習に基づく従来の画像認識は、トレーニングデータに存在するオブジェクトクラスのみを認識できるため、現実の世界においては限定的な適用性を有する。 そこで本研究では,モデルが新たなオブジェクトを瞬時に認識するのに役立つ質問生成を通じて,外部知識を取得するための枠組みについて検討する。 我々のパイプラインは、オブジェクトベースのオブジェクト認識と、新しい知識を得るために知識を意識した質問を生成する質問生成という2つのコンポーネントから構成される。
  論文  参考訳（メタデータ） (2022-10-12T02:51:58Z)

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。