본 논문은 수학 단어 문제를 해결하기 위해 구조적 정보를 딥 뉴럴 모델 학습에 통합하는 새로운 방법을 제안한다. 선행 연구들은 입력 문장에 내재된 풍부한 정보를 표현하기 위해 그래프 구조를 채택해 왔다. 그러나 문장 내 다른 부분들 사이의 서로 다른 관계 유형을 고려하지 않았다. 다양한 유형의 구조 정보를 일관된 방식으로 제공하기 위해, 우리는 다양한 입력 표현의 이질적 그래프를 통합하는 그래프 트랜스포머 인코더를 제안한다. 우리는 두 가지 유형의 그래프 구조를 개발하였다. 첫째, Dependency Graph는 단어와 수량 사이의 장거리 어휘 의존성을 유지한다. 둘째, Question Overlap Graph는 문제 본문 내의 핵심을 포착한다. 두 그래프는 그래프 변환을 위해 단일 그래프로 인코딩된다. 실험 결과, 제안 방법은 기본 방법들(baselines)과 비교하여 경쟁력 있는 성능을 보인다. 또한 우리의 모델은 SVAMP 벤치마크에서 방정식 및 답변 정확도에 대해 약 3 퍼센트가량 우수한 성능을 최신(기존) 모델들보다 달성한다. 더 나아가, 서로 다른 유형의 텍스트적 특성을 통합하면 자연어 문장으로부터 수학적 논리 추론의 품질을 향상시킬 수 있음을 논의한다.

*본 초록은 AI를 통해 원문을 번역한 내용입니다. 정확한 내용은 하기 원문에서 확인해주세요.