11日前
SYGMA：知識ベース上の汎用的モジュール化質問応答システム
Sumit Neelam, Udit Sharma, Hima Karanam, Shajith Ikbal, Pavan Kapanipathi, Ibrahim Abdelaziz, Nandana Mihindukulasooriya, Young-Suk Lee, Santosh Srivastava, Cezar Pendus, Saswati Dana, Dinesh Garg, Achille Fokoue, G P Shrivatsa Bhargav, Dinesh Khandelwal, Srinivas Ravishankar, Sairam Gurajada, Maria Chang, Rosario Uceda-Sosa, Salim Roukos, Alexander Gray, Guilherme LimaRyan Riegel, Francois Luus, L Venkata Subramaniam
要約
知識ベース質問応答（KBQA）において、複雑な推論を要するタスクが重要な研究分野として浮上している。しかし、多数のKBQAシステムは汎化能力に課題を抱えており、特に以下の2つの次元において限界がある：（a）複数の推論タイプにわたる汎化性において、データセットおよびシステムの多くがマルチホップ推論に特化していること、（b）複数の知識ベースにわたる汎化性において、KBQAアプローチが特定の1つの知識ベースに特化して調整されていること。本論文では、複数の知識ベースおよび複数の推論タイプにわたる汎化性を実現するモジュラーなアプローチであるSYGMAを提案する。具体的には、SYGMAは以下の3つの上位モジュールから構成される：1）知識ベースに依存しない質問理解モジュール（複数の知識ベースで共通に利用可能）、2）追加の推論タイプをサポートするルール、3）知識ベース固有の要素を扱うための知識ベース固有の質問マッピングおよび回答モジュール。本システムの有効性を、DBpediaとWikidataという2つの異なる知識ベースに属するデータセットを用いて評価することで実証した。さらに、追加の推論タイプへの拡張性を示すために、マルチホップ推論データセットおよび本論文で新たに導入したWikidataを対象とした時系列KBQAベンチマークデータセット「TempQA-WD1」を用いた評価も実施した。その結果、本研究で提案する汎化性に優れたアプローチが、DBpediaおよびWikidataの複数のデータセットにおいて、マルチホップ推論と時系列推論の両方を必要とするタスクにおいて、優れた競争力を持つ性能を発揮することを示した。