Daily Arxiv

Esta página recopila y organiza artículos sobre inteligencia artificial publicados en todo el mundo.
La información aquí presentada se resume utilizando Google Gemini y el sitio se gestiona sin fines de lucro.
Los derechos de autor de los artículos pertenecen a sus autores y a las instituciones correspondientes; al compartir el contenido, basta con citar la fuente.

Razonamiento adaptativo dinámico a través de MCTS guiado por LLM para una KGQA eficiente y consciente del contexto

Created by
  • Haebom

Autor

Yingxu Wang, Shiqi Fan, Mengzhu Wang, Siwei Liu

Describir

Este artículo propone el Razonamiento Dinámicamente Adaptativo basado en MCTS (DAMR), un novedoso marco para la Respuesta a Preguntas con Grafos de Conocimiento (KGQA). DAMR integra la búsqueda simbólica basada en la Búsqueda de Árbol de Monte Carlo (MCTS) con la evaluación de rutas adaptativa para abordar las limitaciones de los métodos de extracción de rutas estáticas existentes, incluyendo la adaptabilidad limitada, el alto costo computacional y la baja precisión de la evaluación de rutas. Utiliza un planificador basado en LLM para reducir el espacio de búsqueda seleccionando las k relaciones más relevantes en cada paso, e introduce un calificador ligero basado en Transformer para codificar conjuntamente secuencias de preguntas y relaciones para realizar una estimación de verosimilitud sensible al contexto. Además, un mecanismo dinámico de refinamiento de pseudorutas mitiga el desafío de la insuficiencia de datos de supervisión de alta calidad. Los resultados experimentales en varios puntos de referencia de KGQA demuestran que DAMR supera significativamente a los métodos de vanguardia.

Takeaways, Limitations

•
Takeaways:
◦
Proponemos la posibilidad de realizar una KGQA eficiente y consciente del contexto combinando planificadores basados en MCTS y LLM.
◦
Un puntuador liviano basado en Transformer permite una evaluación precisa de la ruta y la captura de cambios semánticos sutiles.
◦
Aliviar la falta de datos de supervisión de alta calidad a través de un mecanismo dinámico de mejora de la trayectoria.
◦
Lograr un rendimiento de última generación en varios puntos de referencia de KGQA.
•
Limitations:
◦
Una alta dependencia de los planificadores basados en LLM puede afectar el desempeño de LLM.
◦
El rendimiento de los mecanismos de mejora de la trayectoria dinámica puede depender de la calidad de los datos de entrenamiento.
◦
La complejidad computacional de MCTS todavía puede ser un problema para gráficos con tamaños muy grandes.
◦
El desempeño en un punto de referencia KGQA específico puede no garantizar la generalización.
👍
Made with Slashpage