論文の概要: Teaching Machines to Converse

• arxiv url: http://arxiv.org/abs/2001.11701v1
• Date: Fri, 31 Jan 2020 08:28:07 GMT
• ステータス: 処理完了
• システム内更新日: 2023-01-05 06:29:52.995116
• Title: Teaching Machines to Converse
• Title（参考訳）: 機械に会話を教える
• Authors: Jiwei Li
• Abstract要約: この論文は、オープンドメイン対話生成システムにおけるニューラルネットワークモデルによる課題に対処しようとするものである。 我々は,対話型質問応答システムを開発するために,対話型質問応答システムを開発した。
• 参考スコア（独自算出の注目度）: 24.64148203917298
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The ability of a machine to communicate with humans has long been associated with the general success of AI. This dates back to Alan Turing's epoch-making work in the early 1950s, which proposes that a machine's intelligence can be tested by how well it, the machine, can fool a human into believing that the machine is a human through dialogue conversations. Many systems learn generation rules from a minimal set of authored rules or labels on top of hand-coded rules or templates, and thus are both expensive and difficult to extend to open-domain scenarios. Recently, the emergence of neural network models the potential to solve many of the problems in dialogue learning that earlier systems cannot tackle: the end-to-end neural frameworks offer the promise of scalability and language-independence, together with the ability to track the dialogue state and then mapping between states and dialogue actions in a way not possible with conventional systems. On the other hand, neural systems bring about new challenges: they tend to output dull and generic responses; they lack a consistent or a coherent persona; they are usually optimized through single-turn conversations and are incapable of handling the long-term success of a conversation; and they are not able to take the advantage of the interactions with humans. This dissertation attempts to tackle these challenges: Contributions are two-fold: (1) we address new challenges presented by neural network models in open-domain dialogue generation systems; (2) we develop interactive question-answering dialogue systems by (a) giving the agent the ability to ask questions and (b) training a conversation agent through interactions with humans in an online fashion, where a bot improves through communicating with humans and learning from the mistakes that it makes.
• Abstract（参考訳）: 機械が人間とコミュニケーションをとる能力は、AIの一般的な成功と関連付けられてきた。 これは1950年代初めのアラン・チューリングの画期的な研究にさかのぼるものであり、機械の知性は、機械が人間を騙して、機械が対話を通して人間であると信じることによって、いかにうまくテストできるかを示唆している。 多くのシステムは、手書きのルールやテンプレートの上に書かれた最小限のルールやラベルから生成ルールを学習する。 エンドツーエンドのニューラルネットワークフレームワークは、従来のシステムでは不可能な方法で、対話状態を追跡し、状態と対話動作をマッピングする機能とともに、スケーラビリティと言語依存の約束を提供する。 一方で、ニューラルネットワークは新たな課題を提起する: 鈍い応答と一般的な応答を出力しがちである; 一貫性のない、あるいは一貫性のあるペルソナが欠如している; 通常はシングルターンの会話を通じて最適化されており、会話の長期的な成功を処理できない; そして、人間との対話の利点を享受できない。 コントリビューションは2つある:(1)オープンドメイン対話生成システムにおけるニューラルネットワークモデルによる新しい課題に対処する; (2)対話型質問応答対話システムを開発する。 (a)代理人に質問する能力を与える (b)人間との対話を通じて会話エージェントをオンラインで訓練し、そこではボットが人間とコミュニケーションし、その間違いから学習することで改善する。

関連論文リスト

• Enabling High-Level Machine Reasoning with Cognitive Neuro-Symbolic Systems [67.01132165581667]
  本稿では,認知アーキテクチャを外部のニューロシンボリックコンポーネントと統合することにより,AIシステムにおける高レベル推論を実現することを提案する。 本稿では,ACT-Rを中心としたハイブリッドフレームワークについて紹介し,最近の応用における生成モデルの役割について論じる。
  論文  参考訳（メタデータ） (2023-11-13T21:20:17Z)
• PK-Chat: Pointer Network Guided Knowledge Driven Generative Dialogue Model [79.64376762489164]
  PK-Chatは、知識グラフ上のポインタネットワークと、事前訓練された言語モデルを組み合わせた、ポインタネットワーク誘導生成対話モデルである。 PK-Chatが対話で生成した単語は、単語リストの予測と外部知識グラフ知識の直接予測から導かれる。 PK-Chatに基づく対話システムは、地球科学の学術シナリオ向けに構築されている。
  論文  参考訳（メタデータ） (2023-04-02T18:23:13Z)
• From Knowledge Augmentation to Multi-tasking: Towards Human-like Dialogue Systems [0.0]
  人間と会話できる対話エージェントを構築するという目標は、研究者の長年の夢だった。 本稿では,人工会話エージェントと人間レベルのインターロケータのギャップを示唆する多くの問題に対処する手法に焦点をあてる。
  論文  参考訳（メタデータ） (2022-11-14T17:27:07Z)
• Dynamic Planning in Open-Ended Dialogue using Reinforcement Learning [35.67318830455459]
  我々は、強化学習(RL)を用いて、ロボットの対話能力を大規模に活用するリアルタイムかつオープンな対話システムを開発した。 我々の作業は、動的行動空間に特に適するRL技術とSOTA言語モデルを用いて生成された会話状態の簡潔な埋め込みをペアリングする。
  論文  参考訳（メタデータ） (2022-07-25T16:12:33Z)
• Automatic Evaluation and Moderation of Open-domain Dialogue Systems [59.305712262126264]
  研究者が悩む長きにわたる課題は、効果的な自動評価指標の欠如である。 本稿では, 対話システム技術チャレンジ10(DSTC10)におけるトラック5で得られたデータ, ベースライン, 結果について述べる。
  論文  参考訳（メタデータ） (2021-11-03T10:08:05Z)
• A Review of Dialogue Systems: From Trained Monkeys to Stochastic Parrots [0.0]
  人工知能をデプロイして、人間と会話できる自動対話エージェントを構築することを目指している。 本稿では,長年にわたって対話システムを構築するために開発された手法について概説する。
  論文  参考訳（メタデータ） (2021-11-02T08:07:55Z)
• Retrieval Augmentation Reduces Hallucination in Conversation [49.35235945543833]
  知識に基づく対話のためのループ型ニューラルネットワークアーキテクチャの利用を検討する。 我々は,2つの知識に基づく会話タスクにおいて,最高のモデルが最先端のパフォーマンスを得ることを示す。
  論文  参考訳（メタデータ） (2021-04-15T16:24:43Z)
• Learning Adaptive Language Interfaces through Decomposition [89.21937539950966]
  本稿では,分解による新しいハイレベルな抽象化を学習するニューラルセマンティック解析システムを提案する。 ユーザは、新しい振る舞いを記述する高レベルな発話を低レベルなステップに分解することで、対話的にシステムを教える。
  論文  参考訳（メタデータ） (2020-10-11T08:27:07Z)
• Knowledge Injection into Dialogue Generation via Language Models [85.65843021510521]
  InjKは対話生成モデルに知識を注入するための2段階のアプローチである。 まず、大規模言語モデルをトレーニングし、テキスト知識としてクエリする。 次に、対話生成モデルを作成し、テキスト知識と対応する応答を逐次生成する。
  論文  参考訳（メタデータ） (2020-04-30T07:31:24Z)

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。