Daily Arxiv

Cette page résume et organise les publications en intelligence artificielle du monde entier.
Les contenus sont synthétisés grâce à Google Gemini et le service est proposé à but non lucratif.
Les droits d'auteur des articles appartiennent à leurs auteurs ou institutions respectives ; en cas de partage, il suffit d'en mentionner la source.

Raisonnement adaptatif dynamique via MCTS guidé par LLM pour un KGQA efficace et sensible au contexte

Created by
  • Haebom

Auteur

Yingxu Wang, Shiqi Fan, Mengzhu Wang, Siyang Gao, Siwei Liu, Nan Yin

Contour

Cet article propose le Raisonnement Dynamique Adaptatif basé sur MCTS (DAMR), un nouveau cadre pour la Réponse aux Questions sur les Graphes de Connaissances (KGQA). Pour surmonter les limites des méthodes existantes de génération de chemins dynamiques basées sur la recherche arborescente de Monte-Carlo (MCTS) et la méthode LLM, DAMR intègre la recherche symbolique basée sur la recherche arborescente de Monte-Carlo (MCTS) à l'évaluation adaptative des chemins. Un planificateur basé sur LLM sélectionne les k relations les plus pertinentes à chaque étape afin de réduire l'espace de recherche, et un évaluateur léger basé sur un transformateur effectue une estimation de vraisemblance contextuelle en co-codant les séquences de questions et de relations. De plus, un mécanisme dynamique de raffinement des pseudo-chemins pallie le manque de données supervisées de haute qualité. Les résultats expérimentaux démontrent que DAMR surpasse largement les méthodes de pointe existantes.

Takeaways, Limitations

•
Takeaways:
◦
Nous présentons un cadre KGQA efficace et sensible au contexte en combinant MCTS et LLM, un scoreur léger basé sur un transformateur.
◦
Atténuer le manque de données de supervision de haute qualité grâce à un mécanisme d’amélioration dynamique du chemin.
◦
A démontré des performances supérieures aux méthodes existantes dans divers benchmarks.
•
Limitations:
◦
La dépendance aux planificateurs de LLM persiste. Des recherches supplémentaires sont nécessaires pour déterminer si les problèmes de coût associés aux appels de LLM peuvent être entièrement résolus.
◦
Des analyses complémentaires sont nécessaires pour déterminer les performances du mécanisme d'amélioration dynamique du chemin. La qualité et la stabilité des pseudo-étiquettes doivent également être vérifiées.
◦
Une validation supplémentaire est nécessaire pour déterminer si les améliorations de performances pour des benchmarks KGQA spécifiques peuvent être généralisées.
👍
Made with Slashpage