Multi-View Graph Representation Learning for Answering Hybrid Numerical Reasoning Question

要約

【タイトル】
ハイブリッド数字推論問題に応えるためのマルチビューグラフ表現学習

【要約】
– 論文の目的：金融報告書のハイブリッド質問応答（HybridQA）は、テキストと表形式のデータを含み、モデルが数値推論タスクに適切な証拠を選択することを要求する。
– 現存する手法：エンコーダー-デコーダーフレームワークをベースにした既存の手法は、数値推論問題を解決するために、式木ベースのデコーダーを使用することが多い。
– 問題点：エンコーダーは、テーブルのシリアル化とテキストの分割を入力として受け取るMRC（Machine Reading Comprehension）メソッドに多く依存し、テーブルとテキストの粒度関係および表自体の空間構造情報を破壊する。
– 解決策：本論文では、複数のビューから関係性を考慮し、マルチビューグラフ（Multi-View Graph、MVG）エンコーダを提案する。このMVGエンコーダをモジュールとして利用し、タブラービュー、リレーションビュー、数値ビューを構築することで、ハイブリッドデータの元の特性を保持し、問題点を解決できる。
– 結果：公開されている表テキストハイブリッドQAベンチマーク（TAT-QA）でモデルを検証し、従来手法よりも優れた結果が出た。

要約(オリジナル)

Hybrid question answering (HybridQA) over the financial report contains both textual and tabular data, and requires the model to select the appropriate evidence for the numerical reasoning task. Existing methods based on encoder-decoder framework employ a expression tree-based decoder to solve numerical reasoning problems. However, encoders rely more on Machine Reading Comprehension (MRC) methods, which take table serialization and text splicing as input, damaging the granularity relationship between table and text as well as the spatial structure information of table itself. In order to solve these problems, the paper proposes a Multi-View Graph (MVG) Encoder to take the relations among the granularity into account and capture the relations from multiple view. By utilizing MVGE as a module, we constuct Tabular View, Relation View and Numerical View which aim to retain the original characteristics of the hybrid data. We validate our model on the publicly available table-text hybrid QA benchmark (TAT-QA) and outperform the state-of-the-art model.

arxiv情報

提供元, 利用サービス

arxiv.jp, OpenAI