要約:
- 実世界のKBQAアプリケーションには、回答可能な質問と回答不可能な質問を区別できる堅牢なモデルが必要
- 大規模なトレーニングデータを必要としない低リソースなモデルが望ましい
- FUn-FuSICは、KBQAの少数ショット転送タスクを提案し、回答不可能な質問を扱う
- FUn-FuSICは、LMMに対してフィードバックを提供することで、質問のための論理形式を生成し、自己整合性を適応して回答可能性を評価する
- 実験結果では、FUn-FuSICは新しく構築されたデータセットでSoTAモデルを上回り、回答不可能性を考慮したKBQA向けのSoTAモデルも上回る
考察:
この論文では、回答可能な質問と回答不可能な質問を区別できる堅牢なKBQAモデルの重要性と、少量のトレーニングデータで高い性能を実現する手法が提案されています。FUn-FuSICというアプローチは、論理形式の生成と自己整合性の適応によって、回答不可能性を扱う点で有益であることが示されています。実験結果からも、このモデルが回答不可能性を考慮したKBQAにおいて優れた性能を示すことが示されています。