Mar, 2024

RETINAQA：一个能够应对可回答和不可回答问题的知识库问答模型

PDF
TL;DR提出了一种名为 RetinaQA 的新的 KBQA 模型，与当前最先进的 KBQA 模型相比，在可回答和不可回答问题方面都表现出更强的性能，并在不可回答类别上显示了鲁棒性，同时还在可回答 KBQA 方面建立了新的技术水平，超过了现有的模型。
kbqaretinaqaanswerabilitylogical formunanswerability
发现论文，激发创造
  • 鲁棒的少样本迁移学习用于知识库问答中的问题回答与无法回答的问题

    提出了解决 KBQA 中无法回答问题的少样本迁移的新任务，并使用 FUn-FuSIC 模型扩展了先进的只针对有答案 KBQA 的少样本迁移模型，通过使用多样的句法、语义和执行引导检查向 LLM 循环提示来生成问题的逻辑形式，并采用自一致性来评估 LLM 的自信度以决定是否可回答。实验证明 FUn-FuSIC 在新构建的数据集上优于适应于 KBQA 中无法回答问题的先进模型，以及只适用于有答案的少样本迁移 KBQA 的先进模型。

    Jun, 2024

  • 检测知识库问题的可回答性：我的知识是否足够？

    探讨知识库问答系统中基于知识库的不完整性所导致的问题，并提出了 GrailQAbility 数据集。测试两种最先进的知识库问答模型，发现两种模型无法准确检测和回答无法回答的问题，因此需要进一步研究使知识库问答系统能够克服这个问题。

    Dec, 2022

  • 无法回答的视觉问答

    本研究旨在构建一个值得信赖的 AI 系统，通过为 Visual Question Answering（VQA）模型教授弃权无法回答问题的能力。研究通过提供一个名为 UNK-VQA 的全面数据集来填补这一研究空白，该数据集特别设计用于解决无法回答的问题。同时，通过对图像或问题进行有意的扰动，充分评估了多模式大型模型的零或少样本性能，并提出了解决这些无法回答问题的简单方法。这一数据集将为提升 VQA 模型的弃权能力提供一个有价值的基准，从而增加 AI 系统的可信度。

    Oct, 2023

  • 从图像池中挖掘答案：走向基于检索的视觉问答

    本文介绍了一种针对多张图片中远程问答的视觉问答模型，并提出了一个名为 RETVQA 的具有多图和检索需求的新数据集，使用 MI-BART 模型在该数据集上取得了良好的表现。

    Jun, 2023

  • 基于跨模态知识推理的基于知识的视觉问答

    本文提出了基于多个知识图谱的知识的视觉问答模型，通过串联的 GRUC 模块，对不同模态的图像信息进行并行推理，最终利用图神经网络获得全局最优解，在三个流行基准数据集上获得新的 state-of-the-art 表现结果。

    Aug, 2020

  • 基于知识的 VQA 的知识浓缩和推理

    我们提出两个协同模型：知识浓缩模型和知识推理模型。这两种浓缩的知识被无缝地集成到我们的知识推理模型中，巧妙地导航综合信息以得出最终答案。与以前的方法相比，我们的方法在基于知识的 VQA 数据集上（OK-VQA 的 65.1％，A-OKVQA 的 60.1％）取得了最先进的性能，而不依赖 GPT-3（175B）生成的知识。

    Mar, 2024

  • 重访视觉问答基线模型

    本文提出了一种基于二元分类的简单替代模型来解决视觉问答中的一些问题，并通过在 Visual7W Telling 和 VQA Real Multiple Choice 任务上的实验表明该模型的简单版本同样具有竞争力，同时，作者发现现有的视觉问答系统性能的瓶颈可能在于其对问题及答案中基础概念的不足认知，其表现相对于充分利用数据集偏见的系统并没有显著提升。

    Jun, 2016

  • 通过子问题审视 VQA 模型：内省 VQA 模型

    通过创建 Reasoning 分离的 VQA 数据集和收集 VQA- introspect 数据集，本文研究了现有 VQA 模型在感知和推理问题上的表现一致性问题，并提出一种名为 SQuINT 的方法来提高模型的一致性，同时在 VQA 的 Reasoning 问题上略微提高性能，并显示更好的注意力热力图。

    Jan, 2020

  • VQA-Machine：掌握使用现有视觉算法回答新问题的方法

    该研究提出了一种新的 co-attention 模型来利用现成的算法实现图像操作，从而达到居于最先进水平的视觉问答结果。

    Dec, 2016

  • 基于开放集和知识的视觉问答与推理路径

    知识引导的视觉问题回答（KB-VQA）通过外部知识库的辅助，为图像和相关的文本问题提供正确答案。本文提出了一种名为 Graph pATH rankER（GATHER）的新型 KB-VQA 框架，通过构建图、修剪和路径级别排序，不仅能够准确检索答案，还提供解释推理过程的路径。通过在真实世界问题上的广泛实验，证明了该框架不仅能够在整个知识库上进行开放式问题回答，还能提供明确的推理路径。

    Oct, 2023