論文の概要: A Comprehensive Graph Framework for Question Answering with Mode-Seeking Preference Alignment

• arxiv url: http://arxiv.org/abs/2506.17951v1
• Date: Sun, 22 Jun 2025 09:08:44 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-24 19:06:36.666695
• Title: A Comprehensive Graph Framework for Question Answering with Mode-Seeking Preference Alignment
• Title（参考訳）: モード探索選好アライメントを用いた質問応答のための総合グラフフレームワーク
• Authors: Quanwei Tang, Sophia Yat Mei Lee, Junshuang Wu, Dong Zhang, Shoushan Li, Erik Cambria, Guodong Zhou,
• Abstract要約: モード検索の好みをアライメントするグラフベースの総合的なフレームワークであるGraphMPAを提案する。 本手法は,情報理解と合成のための認知過程を模倣した,一般的な類似度測定を用いた階層型文書グラフを構築する。
• 参考スコア（独自算出の注目度）: 45.23744113809382
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Recent advancements in retrieval-augmented generation (RAG) have enhanced large language models in question answering by integrating external knowledge. However, challenges persist in achieving global understanding and aligning responses with human ethical and quality preferences. To address these issues, we propose GraphMPA, a comprehensive graph-based framework with mode-seeking preference alignment. Our approach constructs a hierarchical document graph using a general similarity measurement, mimicking human cognitive processes for information understanding and synthesis. Additionally, we introduce mode-seeking preference optimization to better align model outputs with human preferences through probability-matching constraints. Extensive experiments on six datasets demonstrate the effectiveness of our \href{https://github.com/tangquanwei/GraphMPA}{GraphMPA}.
• Abstract（参考訳）: 検索強化世代(RAG)の最近の進歩は、外部知識を統合することで、疑問に答える大きな言語モデルを強化している。 しかし、世界的理解を達成し、人間の倫理的・品質的な嗜好に反応する上で、課題は続いている。 これらの問題に対処するために,モード探索優先アライメントを備えたグラフベースの包括的フレームワークであるGraphMPAを提案する。 本手法は,情報理解と合成のための認知過程を模倣した,一般的な類似度測定を用いた階層型文書グラフを構築する。 さらに,モデル出力と人間の嗜好との整合性を改善するために,確率マッチング制約によるモード探索選好最適化を導入する。 6つのデータセットに対する大規模な実験は、我々の \href{https://github.com/tangquanwei/GraphMPA}{GraphMPA} の有効性を示している。

関連論文リスト

• Contrastive General Graph Matching with Adaptive Augmentation Sampling [5.3459881796368505]
  グラフマッチング(GCGM)のための新しいグラフ中心コントラストフレームワークを提案する。 GCGMは、コントラスト学習のための膨大なグラフ拡張を、副次的な情報を必要としない形で実現している。 当社のGCGMは、さまざまなデータセットにわたる最先端の自己管理手法を超越しています。
  論文  参考訳（メタデータ） (2024-06-25T01:08:03Z)
• GPT4Rec: Graph Prompt Tuning for Streaming Recommendation [30.604441550735494]
  本稿では,ストリームレコメンデーションのためのグラフプロンプトチューニング手法であるGPT4Recを提案する。 特に、GPT4Recはグラフパターンを複数のビューに分解する。 ユーザ-テムグラフ内のさまざまなインタラクションパターンにまたがってモデルをガイドする。
  論文  参考訳（メタデータ） (2024-06-12T13:59:31Z)
• APGL4SR: A Generic Framework with Adaptive and Personalized Global Collaborative Information in Sequential Recommendation [86.29366168836141]
  逐次推薦のための適応およびパーソナライズされたグラフ学習(APGL4SR)というグラフ駆動型フレームワークを提案する。 APGL4SRは、適応的でパーソナライズされたグローバルな協調情報をシーケンシャルレコメンデーションシステムに組み込む。 一般的なフレームワークとして、APGL4SRは大きなマージンを持つ他のベースラインよりも優れている。
  論文  参考訳（メタデータ） (2023-11-06T01:33:24Z)
• LUKE-Graph: A Transformer-based Approach with Gated Relational Graph Attention for Cloze-style Reading Comprehension [13.173307471333619]
  本稿では,文書内のエンティティ間の直感的な関係に基づく異種グラフ構築モデルLUKE-Graphを提案する。 次に、アテンション読み込み(RGAT)を用いて、事前学習したLUKEモデルによって符号化されたグラフの推論情報と文脈表現を融合する。 実験結果から,LUKE-Graphはコモンセンス推論による最先端性能を実現することが示された。
  論文  参考訳（メタデータ） (2023-03-12T14:31:44Z)
• GUESR: A Global Unsupervised Data-Enhancement with Bucket-Cluster Sampling for Sequential Recommendation [58.6450834556133]
  本研究では,グローバルな視点から複雑な関連性を持つ項目表現を強化するために,グラフコントラスト学習を提案する。 本稿では,CapsNetモジュールを拡張したターゲットアテンション機構により,ユーザの動的嗜好を導出する。 提案したGUESRは,大幅な改善を達成できただけでなく,汎用的な拡張戦略ともみなすことができた。
  論文  参考訳（メタデータ） (2023-03-01T05:46:36Z)
• A Graph-Enhanced Click Model for Web Search [67.27218481132185]
  ウェブ検索のための新しいグラフ強調クリックモデル(GraphCM)を提案する。 セッション内情報とセッション間情報の両方を、スパーシリティ問題とコールドスタート問題に活用する。
  論文  参考訳（メタデータ） (2022-06-17T08:32:43Z)
• Optimal Propagation for Graph Neural Networks [51.08426265813481]
  最適グラフ構造を学習するための二段階最適化手法を提案する。 また、時間的複雑さをさらに軽減するために、低ランク近似モデルについても検討する。
  論文  参考訳（メタデータ） (2022-05-06T03:37:00Z)
• A Robust and Generalized Framework for Adversarial Graph Embedding [73.37228022428663]
  本稿では,AGE という逆グラフ埋め込みのための頑健なフレームワークを提案する。 AGEは、暗黙の分布から強化された負のサンプルとして偽の隣接ノードを生成する。 本フレームワークでは,3種類のグラフデータを扱う3つのモデルを提案する。
  論文  参考訳（メタデータ） (2021-05-22T07:05:48Z)

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。