Discourse-Aware Graph Networks for Textual Logical Reasoning

要約

タイトル：テキスト上の論理推論のための議論認識グラフネットワーク
要約：
– 論理推論は、特定の論理構造に関する認識を必要とする。しかしながら、現在のQA（Question-Answering）システムは主にエンティティベースの関係に注目しており、段落レベルの論理構造は未解明である。
– 本研究では、論理構造制約モデリングを提案し、議論認識グラフネットワーク（DAGN）を導入する。ネットワークは、文間関連語 (in-line discourse connectives) と一般的な論理理論を活用して論理グラフを構築し、エッジ推論メカニズムおよびグラフ特徴を更新することで論理表現を学習する。
– この手法は一般エンコーダに適用され、高レベルの論理特徴が答え予測に結合される。
– 3つのテキスト上の論理推論データセットの実験結果は、DAGNで構築された論理構造の合理性と学習された論理特徴の有効性を示している。
– ゼロショット転送結果は、特徴の汎用性と未知の論理テキストへの適用可能性を示している。

要約(オリジナル)

Textual logical reasoning, especially question-answering (QA) tasks with logical reasoning, requires awareness of particular logical structures. The passage-level logical relations represent entailment or contradiction between propositional units (e.g., a concluding sentence). However, such structures are unexplored as current QA systems focus on entity-based relations. In this work, we propose logic structural-constraint modeling to solve the logical reasoning QA and introduce discourse-aware graph networks (DAGNs). The networks first construct logic graphs leveraging in-line discourse connectives and generic logic theories, then learn logic representations by end-to-end evolving the logic relations with an edge-reasoning mechanism and updating the graph features. This pipeline is applied to a general encoder, whose fundamental features are joined with the high-level logic features for answer prediction. Experiments on three textual logical reasoning datasets demonstrate the reasonability of the logical structures built in DAGNs and the effectiveness of the learned logic features. Moreover, zero-shot transfer results show the features’ generality to unseen logical texts.

arxiv情報

提供元, 利用サービス

arxiv.jp, OpenAI