論文の概要: From Machine Reading Comprehension to Dialogue State Tracking: Bridging the Gap

• arxiv url: http://arxiv.org/abs/2004.05827v1
• Date: Mon, 13 Apr 2020 09:00:03 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-13 22:59:25.665844
• Title: From Machine Reading Comprehension to Dialogue State Tracking: Bridging the Gap
• Title（参考訳）: 機械読解から対話状態追跡へ:ギャップを埋める
• Authors: Shuyang Gao, Sanchit Agarwal, Tagyoung Chung, Di Jin, Dilek Hakkani-Tur
• Abstract要約: 本稿では,モデルアーキテクチャとデータセットという2つの観点から,状態追跡における機械学習理解(RC)の利用を提案する。 本手法は,MultiWOZ 2.1の完全トレーニングデータを用いて,現在最先端のゴール精度に近い精度で達成されている。
• 参考スコア（独自算出の注目度）: 41.577548543163196
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Dialogue state tracking (DST) is at the heart of task-oriented dialogue systems. However, the scarcity of labeled data is an obstacle to building accurate and robust state tracking systems that work across a variety of domains. Existing approaches generally require some dialogue data with state information and their ability to generalize to unknown domains is limited. In this paper, we propose using machine reading comprehension (RC) in state tracking from two perspectives: model architectures and datasets. We divide the slot types in dialogue state into categorical or extractive to borrow the advantages from both multiple-choice and span-based reading comprehension models. Our method achieves near the current state-of-the-art in joint goal accuracy on MultiWOZ 2.1 given full training data. More importantly, by leveraging machine reading comprehension datasets, our method outperforms the existing approaches by many a large margin in few-shot scenarios when the availability of in-domain data is limited. Lastly, even without any state tracking data, i.e., zero-shot scenario, our proposed approach achieves greater than 90% average slot accuracy in 12 out of 30 slots in MultiWOZ 2.1.
• Abstract（参考訳）: 対話状態追跡(DST)はタスク指向の対話システムの中心にある。 しかし、ラベル付きデータの不足は、さまざまなドメインで動作する正確で堅牢な状態追跡システムを構築する上での障害となる。 既存のアプローチでは、状態情報と対話データを必要とすることが多く、未知の領域に一般化する能力は限られている。 本稿では、モデルアーキテクチャとデータセットの2つの観点から、状態追跡における機械読解(RC)の利用を提案する。 対話状態のスロットタイプをカテゴリー的あるいは抽出的に分割し,複数重みとスパンベースの読み理解モデルから利点を借用する。 本手法は,MultiWOZ 2.1の完全トレーニングデータに対して,現在の目標精度に近い精度で達成する。 さらに重要なことは、機械読解データセットを活用することで、ドメイン内データの可用性が制限された場合、従来のアプローチを多くのマージンで上回らせます。 最後に、状態追跡データ、すなわちゼロショットシナリオがなくても、提案手法はMultiWOZ 2.1の30スロット中12スロットにおいて90%以上の平均スロット精度を達成する。

関連論文リスト

• Diverse Retrieval-Augmented In-Context Learning for Dialogue State Tracking [3.8073142980733]
  RefPyDSTを提案する。これは対話状態追跡のための文脈内学習に3つの進歩をもたらした技術である。 まず、DSTをPythonプログラミングタスクとして定式化し、Pythonの変数参照として言語コア参照を明示的にモデル化する。 第2に、コンテキスト内学習は文脈の例に大きく依存するため、性能向上のための多様な事例を抽出する手法を提案する。
  論文  参考訳（メタデータ） (2023-07-04T03:15:52Z)
• Which One Are You Referring To? Multimodal Object Identification in Situated Dialogue [50.279206765971125]
  本稿では,会話や状況から多モーダル入力を解釈する3つの手法について検討する。 最適手法であるシーン対話アライメントは,SIMMC 2.1ベースラインと比較して20%F1スコアで性能を向上する。
  論文  参考訳（メタデータ） (2023-02-28T15:45:20Z)
• Weakly Supervised Data Augmentation Through Prompting for Dialogue Understanding [103.94325597273316]
  本稿では,弱教師付きフィルタを適用して拡張品質を反復する手法を提案する。 我々は、デイリーダイアログにおける感情と行動の分類タスクと、Facebook Multilingual Task-Oriented Dialogueにおける意図の分類タスクについて評価した。 特にDailyDialogでは、真理データの10%を使用して、100%のデータを使用する現在の最先端モデルよりも優れています。
  論文  参考訳（メタデータ） (2022-10-25T17:01:30Z)
• Cross-Lingual Dialogue Dataset Creation via Outline-Based Generation [70.81596088969378]
  言語間アウトラインに基づく対話データセット(COD)は、自然言語の理解を可能にする。 CODは、4つの異なる言語で対話状態の追跡とエンドツーエンドの対話モデリングと評価を可能にする。
  論文  参考訳（メタデータ） (2022-01-31T18:11:21Z)
• Slot Self-Attentive Dialogue State Tracking [22.187581131353948]
  スロット相関を自動的に学習できるスロット自己認識機構を提案する。 2つのマルチドメインタスク指向対話データセットの包括的な実験を行います。
  論文  参考訳（メタデータ） (2021-01-22T22:48:51Z)
• CREDIT: Coarse-to-Fine Sequence Generation for Dialogue State Tracking [44.38388988238695]
  対話状態トラッカーは、現在の対話状態のコンパクトな表現を正確に見つけることを目的としている。 我々はシーケンス生成問題として構造化状態表現とキャスト対話状態追跡を用いる。 我々のトラッカーは,MultiWOZ 2.0とMultiWOZ 2.1データセットの5つの領域で共同目標精度を向上することを示した。
  論文  参考訳（メタデータ） (2020-09-22T10:27:18Z)
• A Contextual Hierarchical Attention Network with Adaptive Objective for Dialogue State Tracking [63.94927237189888]
  本稿では,コンテキスト階層型アテンションネットワークを用いて対話状態追跡(DST)を強化することを提案する。 また,訓練中に異なるスロットの重みを動的に調整することでスロット不均衡問題を緩和する適応的目標を提案する。 実験の結果,MultiWOZ 2.0とMultiWOZ 2.1データセットでは52.68%,58.55%のジョイント精度が得られた。
  論文  参考訳（メタデータ） (2020-06-02T12:25:44Z)
• TripPy: A Triple Copy Strategy for Value Independent Neural Dialog State Tracking [2.78632567955797]
  タスク指向のダイアログシステムは、対話中のユーザの目標を監視するために、ダイアログ状態追跡(DST)に依存している。 スロットを値で埋めるために様々なコピー機構を利用するDSTに新しいアプローチを提案する。
  論文  参考訳（メタデータ） (2020-05-06T14:52:48Z)
• Non-Autoregressive Dialog State Tracking [122.2328875457225]
  非自己回帰的対話状態追跡(NADST)の新しい枠組みを提案する。 NADSTはドメインとスロット間の潜在的な依存関係を分解し、分離されたスロットではなく完全なセットとして対話状態の予測を改善するためにモデルを最適化する。 以上の結果から,MultiWOZ 2.1コーパス上の全領域にわたる最先端の接合精度が得られた。
  論文  参考訳（メタデータ） (2020-02-19T06:39:26Z)
• MA-DST: Multi-Attention Based Scalable Dialog State Tracking [13.358314140896937]
  ダイアログ状態追跡ダイアログは、ユーザーが目標を達成するための自然言語インターフェースを提供する。 正確なマルチドメインDSTを実現するためには、過去の発話とスロットセマンティクス間の依存関係をエンコードする必要がある。 本稿では,会話履歴とスロットの意味を符号化する新しいアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2020-02-07T05:34:58Z)

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。