論文の概要: Goal-Driven Query Answering over First- and Second-Order Dependencies with Equality

• arxiv url: http://arxiv.org/abs/2412.09125v1
• Date: Thu, 12 Dec 2024 10:02:16 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-12-13 13:31:03.167121
• Title: Goal-Driven Query Answering over First- and Second-Order Dependencies with Equality
• Title（参考訳）: ゴール駆動型クエリーが一階と二階の依存関係に等しく答える
• Authors: Efthymia Tsamoura, Boris Motik,
• Abstract要約: 我々は、ゴール駆動型クエリ応答の第一の手法として、一階と二階の依存関係と等式推論を用いた手法を提示する。 提案手法は,入力の依存関係を変換し,クエリに無関係な多くの推論を避ける。 また、ゴール駆動型問合せ応答が全普遍モデルよりも桁違いに高速であることを示す広範な経験的評価の結果も提示する。
• 参考スコア（独自算出の注目度）: 9.880191856609581
• License:
• Abstract: Query answering over data with dependencies plays a central role in most applications of dependencies. The problem is commonly solved by using a suitable variant of the chase algorithm to compute a universal model of the dependencies and the data and thus explicate all knowledge implicit in the dependencies. After this preprocessing step, an arbitrary conjunctive query over the dependencies and the data can be answered by evaluating it the computed universal model. If, however, the query to be answered is fixed and known in advance, computing the universal model is often inefficient as many inferences made during this process can be irrelevant to a given query. In such cases, a goal-driven approach, which avoids drawing unnecessary inferences, promises to be more efficient and thus preferable in practice. In this paper we present what we believe to be the first technique for goal-driven query answering over first- and second-order dependencies with equality reasoning. Our technique transforms the input dependencies so that applying the chase to the output avoids many inferences that are irrelevant to the query. The transformation proceeds in several steps, which comprise the following three novel techniques. First, we present a variant of the singularisation technique by Marnette [60] that is applicable to second-order dependencies and that corrects an incompleteness of a related formulation by ten Cate et al. [74]. Second, we present a relevance analysis technique that can eliminate from the input dependencies that provably do not contribute to query answers. Third, we present a variant of the magic sets algorithm [19] that can handle second-order dependencies with equality reasoning. We also present the results of an extensive empirical evaluation, which show that goal-driven query answering can be orders of magnitude faster than computing the full universal model.
• Abstract（参考訳）: 依存関係を持つデータに対するクエリ応答は、依存関係のほとんどのアプリケーションにおいて中心的な役割を果たす。 この問題は、チェイスアルゴリズムの適切な変種を用いて、依存関係とデータの普遍的なモデルを計算し、従って依存関係のすべての知識を暗黙的に説明することによって、一般的に解決される。 この前処理ステップの後、依存関係とデータに対する任意の共役クエリは、計算された普遍モデルを評価することで答えることができる。 しかし、あらかじめ答えるべきクエリが固定され、既知の場合、このプロセスで多くの推論が与えられたクエリとは無関係であるので、普遍的なモデルを計算することはしばしば非効率である。 そのような場合、不要な推論の引き起こしを避けるゴール駆動のアプローチは、より効率的で、実践上より好ましいと約束する。 本稿では,ゴール駆動型問合せ応答の第一手法として,一階と二階の依存関係を等式推論で解答する手法について述べる。 提案手法は,入力の依存関係を変換し,クエリに無関係な多くの推論を避ける。 この変換は、以下の3つの新しい技術からなるいくつかのステップで進行する。 まず、Marnette [60] による特異化手法の変種について述べ、これは二階依存に適用可能であり、10 Cate et al [74] による関連する定式化の不完全性を補正する。 第2に,クエリ応答に確実に寄与しない入力依存性を除去する関連解析手法を提案する。 第三に、等式推論で二階依存を処理できるマジックセットアルゴリズム [19] の変種を示す。 また、ゴール駆動型問合せ応答が全普遍モデルよりも桁違いに高速であることを示す広範な経験的評価の結果も提示する。

関連論文リスト

• Attention with Dependency Parsing Augmentation for Fine-Grained Attribution [26.603281615221505]
  提案手法は,検索した文書から各回答に対する証拠を裏付ける,きめ細かな属性機構を開発する。 既存の属性法は、応答と文書間のモデル-内部類似度(Saliency scores)や隠れ状態類似度(hidden state similarity)など)に依存している。 まず,表現の粒度を保ちつつ,集合ユニオン操作を通じてトークンに関する証拠を集約する。 第二に、ターゲットスパンの意味的完全性を強化するために依存性解析を統合することで属性の強化を行う。
  論文  参考訳（メタデータ） (2024-12-16T03:12:13Z)
• Towards Fast Algorithms for the Preference Consistency Problem Based on Hierarchical Models [4.007697401483925]
  階層モデルに基づく選好文の一貫性問題の解法として,アルゴリズム的手法を構築し,比較する。 インスタンスが一貫すると、評価関数に階層的モデルが存在し、代替関数の順序関係を誘導する。 この問題を解決するための3つのアプローチを開発する。
  論文  参考訳（メタデータ） (2024-10-31T13:48:46Z)
• Konstruktor: A Strong Baseline for Simple Knowledge Graph Question Answering [60.6042489577575]
  Konstruktor - 問題を3つのステップに分割する,効率的で堅牢なアプローチ。 我々のアプローチは言語モデルと知識グラフを統合し、前者の力と後者の解釈可能性を活用する。 関係検出において、ワークフローの最も困難なステップとして、関係分類・生成とランク付けの組み合わせが、他の手法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2024-09-24T09:19:11Z)
• Learning to Learn in Interactive Constraint Acquisition [7.741303298648302]
  制約獲得(CA:Constraint Acquisition)では、モデルを自動的に学習することでユーザを支援することが目標である。 アクティブCAでは、クエリを対話的にユーザにポストすることでこれを行う。 本稿では、確率論的分類モデルを用いて対話型CAを誘導し、より有望なクエリを生成することを提案する。
  論文  参考訳（メタデータ） (2023-12-17T19:12:33Z)
• Adversarial Imitation Learning On Aggregated Data [0.0]
  逆強化学習(IRL: Inverse Reinforcement Learning)は、いくつかの専門家による実証から最適なポリシーを学習し、適切な報酬関数を指定するという面倒なプロセスを避ける。 本稿では,AILAD(Adversarial Imitation Learning on Aggregated Data)と呼ばれる動的適応手法を用いて,これらの要件を除去する手法を提案する。 非線型報酬関数とそれに付随する最適ポリシーの両方を、敵対的枠組みを用いて共役的に学習する。
  論文  参考訳（メタデータ） (2023-11-14T22:13:38Z)
• Answering Ambiguous Questions via Iterative Prompting [84.3426020642704]
  オープンドメインの質問応答では、質問のあいまいさのため、複数の妥当な回答が存在する可能性がある。 ひとつのアプローチは、すべての有効な回答を直接予測することですが、これは、妥当性と多様性のバランスに苦労する可能性があります。 本稿では,あいまいな疑問に答える既存手法の欠陥に対処するため,AmbigPromptを提案する。
  論文  参考訳（メタデータ） (2023-07-08T04:32:17Z)
• Successive Prompting for Decomposing Complex Questions [50.00659445976735]
  最近の研究は、大規模言語モデル(LM)の機能を活用して、数ショットで複雑な質問応答を行う。 そこでは、複雑なタスクを単純なタスクに繰り返し分解し、それを解決し、最終解を得るまでプロセスを繰り返します。 我々の最良のモデル(逐次プロンプト付き)は、DROPデータセットの数ショットバージョンにおいて、5%の絶対F1の改善を実現します。
  論文  参考訳（メタデータ） (2022-12-08T06:03:38Z)
• Adaptive Information Seeking for Open-Domain Question Answering [61.39330982757494]
  本稿では,オープンドメイン質問応答,すなわちAISOに対する適応型情報探索手法を提案する。 学習方針によると、AISOは適切な検索行動を選択し、各ステップで行方不明の証拠を探すことができる。 AISOは、検索と回答の評価の両方の観点から、事前定義された戦略で全てのベースライン手法を上回ります。
  論文  参考訳（メタデータ） (2021-09-14T15:08:13Z)
• Logically Consistent Loss for Visual Question Answering [66.83963844316561]
  ニューラルネットワークに基づく視覚質問応答(VQA)の現在の進歩は、同じ分布(すなわち、d)の仮定による一貫性を保証することができない。 マルチタスク学習フレームワークにおける論理的一貫した損失を定式化することにより,この問題に対処するための新しいモデルに依存しない論理制約を提案する。 実験により、提案された損失公式とハイブリッドバッチの導入により、一貫性が向上し、性能が向上することを確認した。
  論文  参考訳（メタデータ） (2020-11-19T20:31:05Z)
• An Advance on Variable Elimination with Applications to Tensor-Based Computation [11.358487655918676]
  本稿では,確率的推論を含む多くのアルゴリズムの基盤となる可変除去の古典的アルゴリズムについて述べる。 結果は機能的依存関係の活用に関連しており、非常に大きなツリー幅を持つモデルで推論と学習を効率的に行うことができる。
  論文  参考訳（メタデータ） (2020-02-21T14:17:44Z)
• Polynomial-Time Exact MAP Inference on Discrete Models with Global Dependencies [83.05591911173332]
  ジャンクションツリーアルゴリズムは、実行時の保証と正確なMAP推論のための最も一般的な解である。 本稿では,ノードのクローン化による新たなグラフ変換手法を提案する。
  論文  参考訳（メタデータ） (2019-12-27T13:30:29Z)

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。