論文の概要: User-in-the-loop Adaptive Intent Detection for Instructable Digital Assistant

• arxiv url: http://arxiv.org/abs/2001.06007v1
• Date: Thu, 16 Jan 2020 18:06:43 GMT
• ステータス: 処理完了
• システム内更新日: 2023-01-10 23:27:52.630064
• Title: User-in-the-loop Adaptive Intent Detection for Instructable Digital Assistant
• Title（参考訳）: インストラクタブルデジタルアシスタントにおけるユーザ・イン・ザ・ループ適応インテント検出
• Authors: Nicolas Lair, Cl\'ement Delgrange, David Mugisha, Jean-Michel Dussoux, Pierre-Yves Oudeyer, and Peter Ford Dominey
• Abstract要約: AidMeはデジタルアシスタントのための適応的意図検出フレームワークである。 アシスタントは、対話が進むにつれて自分の意図を学習することで、ユーザーへの適応を可能にする。
• 参考スコア（独自算出の注目度）: 14.728019893667616
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: People are becoming increasingly comfortable using Digital Assistants (DAs) to interact with services or connected objects. However, for non-programming users, the available possibilities for customizing their DA are limited and do not include the possibility of teaching the assistant new tasks. To make the most of the potential of DAs, users should be able to customize assistants by instructing them through Natural Language (NL). To provide such functionalities, NL interpretation in traditional assistants should be improved: (1) The intent identification system should be able to recognize new forms of known intents, and to acquire new intents as they are expressed by the user. (2) In order to be adaptive to novel intents, the Natural Language Understanding module should be sample efficient, and should not rely on a pretrained model. Rather, the system should continuously collect the training data as it learns new intents from the user. In this work, we propose AidMe (Adaptive Intent Detection in Multi-Domain Environments), a user-in-the-loop adaptive intent detection framework that allows the assistant to adapt to its user by learning his intents as their interaction progresses. AidMe builds its repertoire of intents and collects data to train a model of semantic similarity evaluation that can discriminate between the learned intents and autonomously discover new forms of known intents. AidMe addresses two major issues - intent learning and user adaptation - for instructable digital assistants. We demonstrate the capabilities of AidMe as a standalone system by comparing it with a one-shot learning system and a pretrained NLU module through simulations of interactions with a user. We also show how AidMe can smoothly integrate to an existing instructable digital assistant.
• Abstract（参考訳）: デジタルアシスタント(das)を使ってサービスやコネクテッドオブジェクトと対話する人が増えています。 しかし、プログラミング以外のユーザにとっては、DAをカスタマイズする可能性は限られており、アシスタントに新しいタスクを教える可能性を含まない。 DAの可能性を最大限活用するためには、ユーザーは自然言語(NL)を通じてアシスタントをカスタマイズできる必要がある。 従来のアシスタントにおけるNLの解釈は,(1)意図認識システムでは,既知の意図の新たな形態を認識でき,ユーザによって表現されるように,新たな意図を獲得できなければならない。 2) 新たな意図に適応するために,自然言語理解モジュールはサンプル効率が高く,事前学習されたモデルに依存するべきではない。 むしろ、システムはユーザから新しいインテントを学ぶため、トレーニングデータを継続的に収集するべきです。 本稿では,対話が進行するにつれて,アシスタントが自身の意図を学習することで,ユーザへの適応を可能にする,ループ内適応型意図検出フレームワークであるaime(adaptive intent detection in multi-domain environment)を提案する。 AidMeは意図のレパートリーを構築し、学習した意図を識別し、既知の意図の新たな形態を自律的に発見する意味的類似性評価のモデルをトレーニングするためにデータを集める。 AidMeは、インテントラーニングとユーザ適応という2つの主要な課題に対処する。 ユーザとのインタラクションのシミュレーションを通じて,単発学習システムと事前学習したNLUモジュールとの比較により,AidMeのスタンドアロンシステムとしての能力を示す。 また,既存のインストラクタ可能なデジタルアシスタントとaidmeがスムーズに統合できることを示す。

関連論文リスト

• IntentGPT: Few-shot Intent Discovery with Large Language Models [9.245106106117317]
  我々は、新たな意図が現れると識別できるモデルを開発する。 IntentGPTは、Large Language Models (LLM) を効果的に促し、最小限のラベル付きデータで新しいインテントを発見する、トレーニング不要の手法である。 実験の結果,IntentGPTはドメイン固有データと微調整を必要とする従来の手法よりも優れていることがわかった。
  論文  参考訳（メタデータ） (2024-11-16T02:16:59Z)
• Toward In-Context Teaching: Adapting Examples to Students' Misconceptions [54.82965010592045]
  本稿ではAdapTと呼ばれる一連のモデルと評価手法を紹介する。 AToMは、学生の過去の信念を共同で推論し、将来の信念の正しさを最適化する適応教育の新しい確率論的モデルである。 本研究は,適応型学習課題の難しさと,それを解決するための学習適応モデルの可能性を両立させるものである。
  論文  参考訳（メタデータ） (2024-05-07T17:05:27Z)
• An Interactive Human-Machine Learning Interface for Collecting and Learning from Complex Annotations [45.23526921041318]
  我々は,従来のラベルの制約にヒトのアノテータが適応するという期待を緩和するために,監視情報が収集される形で,さらなる柔軟性を実現することを目的としている。 そこで本研究では,データセットのアノテーションとして標準バイナリラベルを補完するために,ヒューマンアノテータによる実例の活用を可能にする,バイナリ分類タスクのためのヒューマンマシン学習インタフェースを提案する。
  論文  参考訳（メタデータ） (2024-03-28T11:57:06Z)
• Efficient Adaptive Human-Object Interaction Detection with Concept-guided Memory [64.11870454160614]
  概念誘導メモリ(ADA-CM)を用いた適応型HOI検出器を提案する。 ADA-CMには2つの操作モードがある。最初のモードでは、トレーニング不要のパラダイムで新しいパラメータを学習することなくチューニングできる。 提案手法は, HICO-DET と V-COCO のデータセットに対して, より少ないトレーニング時間で, 最新技術による競合的な結果を得る。
  論文  参考訳（メタデータ） (2023-09-07T13:10:06Z)
• Towards Unified Conversational Recommender Systems via Knowledge-Enhanced Prompt Learning [89.64215566478931]
  会話レコメンデータシステム(CRS)は,ユーザの嗜好を積極的に取り入れ,自然言語会話を通じて高品質な項目を推薦することを目的としている。 効果的なCRSを開発するためには、2つのモジュールをシームレスに統合することが不可欠である。 知識強調学習に基づく統一CRSモデルUniCRSを提案する。
  論文  参考訳（メタデータ） (2022-06-19T09:21:27Z)
• Intent Contrastive Learning for Sequential Recommendation [86.54439927038968]
  ユーザの意図を表現するために潜伏変数を導入し,クラスタリングにより潜伏変数の分布関数を学習する。 我々は,学習意図を対照的なSSLによってSRモデルに活用し,シーケンスのビューとそれに対応するインテントとの一致を最大化することを提案する。 4つの実世界のデータセットで実施された実験は、提案した学習パラダイムの優位性を示している。
  論文  参考訳（メタデータ） (2022-02-05T09:24:13Z)
• NaRLE: Natural Language Models using Reinforcement Learning with Emotion Feedback [0.37277730514654556]
  NARLEは、対話システムの自然言語理解を改善するためのフレームワークである。 2つの意図的分類問題に対して、事前学習された教師付き学習モデルの微調整に強化学習を用いることで、最大43%の性能を向上させることを実証的に示す。
  論文  参考訳（メタデータ） (2021-10-05T16:24:19Z)
• ARTA: Collection and Classification of Ambiguous Requests and Thoughtful Actions [35.557857101679296]
  ヒューマンアシストシステムは、曖昧なユーザリクエストに対して、慎重に適切なアクションを取らなければならない。 あいまいなユーザリクエストを対応するシステムアクションに分類するモデルを開発する。 実験により,PU学習法は一般的な正負学習法よりも優れた性能を示した。
  論文  参考訳（メタデータ） (2021-06-15T09:28:39Z)
• Pre-training for low resource speech-to-intent applications [26.093156590824076]
  本稿では,s2i(user-taught speech-to-intent)システムについて述べる。 ユーザ学習システムは、アクションデモによりユーザの音声入力からスクラッチから学習する。 本稿では、エンドツーエンドASRシステムのエンコーダと、以前のNMF/カプセルネットワークベースのユーザ検出デコーダを組み合わせる。
  論文  参考訳（メタデータ） (2021-03-30T20:44:29Z)
• Federated Learning of User Authentication Models [69.93965074814292]
  機械学習モデルのプライバシー保護のためのフレームワークであるFederated User Authentication (FedUA)を提案する。 FedUAは、フェデレートされた学習フレームワークを採用して、ユーザが生の入力を共有することなく、共同でモデルをトレーニングできるようにする。 提案手法はプライバシ保護であり,多数のユーザに対してスケーラブルであることを示し,出力層を変更することなく,新たなユーザをトレーニングに追加できるようにした。
  論文  参考訳（メタデータ） (2020-07-09T08:04:38Z)
• Empowering Active Learning to Jointly Optimize System and User Demands [70.66168547821019]
  我々は,アクティブラーニングシステムとユーザを協調的に(効率的に学習)するための,新しいアクティブラーニング手法を提案する。 本手法は,特定のユーザに対して,エクササイズの適切性を予測するために,学習を迅速かつ迅速に行う必要があるため,特に,この手法のメリットを生かした教育アプリケーションで研究する。 複数の学習戦略とユーザタイプを実際のユーザからのデータで評価し,代替手法がエンドユーザに適さない多くのエクササイズをもたらす場合,共同アプローチが両方の目標を満足できることを確認した。
  論文  参考訳（メタデータ） (2020-05-09T16:02:52Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。