Fugu-MT 論文翻訳(概要): Fast and Scalable Dialogue State Tracking with Explicit Modular Decomposition

論文の概要: Fast and Scalable Dialogue State Tracking with Explicit Modular Decomposition

arxiv url: http://arxiv.org/abs/2004.10663v3
Date: Wed, 29 Sep 2021 08:55:29 GMT
ステータス: 処理完了
システム内更新日: 2022-12-10 18:13:49.058550
Title: Fast and Scalable Dialogue State Tracking with Explicit Modular Decomposition
Title（参考訳）: 明示的モジュール分割による高速かつスケーラブルな対話状態追跡
Authors: Dingmin Wang, Chenghua Lin, Qi Liu, Kam-Fai Wong
Abstract要約: 我々はExplicit Modular Decomposition (EMD)と呼ばれる高速でスケーラブルなアーキテクチャを提案する。分類に基づく手法と抽出に基づく手法を併用し、対話状態を共同抽出するために4つのモジュール(分類とシーケンスラベリング)を設計する。
参考スコア（独自算出の注目度）: 35.46668079616876
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: We present a fast and scalable architecture called Explicit Modular Decomposition (EMD), in which we incorporate both classification-based and extraction-based methods and design four modules (for classification and sequence labelling) to jointly extract dialogue states. Experimental results based on the MultiWoz 2.0 dataset validates the superiority of our proposed model in terms of both complexity and scalability when compared to the state-of-the-art methods, especially in the scenario of multi-domain dialogues entangled with many turns of utterances.
Abstract（参考訳）: 我々は,EMD(Explicit Modular Decomposition)と呼ばれる高速でスケーラブルなアーキテクチャを提案し,分類に基づく手法と抽出に基づく手法を併用し,対話状態を共同抽出するために4つのモジュール(分類とシーケンスラベリング)を設計する。 multiwoz 2.0データセットに基づく実験結果は、最先端の手法と比較した場合の複雑さとスケーラビリティの両方において、提案モデルが優れていることを検証している。

関連論文リスト

Instructive Dialogue Summarization with Query Aggregations [41.89962538701501]
本稿では,対話要約モデルの能力集合を拡張するために,命令精細言語モデルを提案する。高品質なクエリベースの要約三重項を合成するための3段階のアプローチを提案する。多目的インストラクティブトリプルを用いた3つの要約データセット上で、InstructDSと呼ばれる統一モデルをトレーニングすることにより、対話要約モデルの能力を拡大する。
論文参考訳（メタデータ） (2023-10-17T04:03:00Z)
Multimodal Relation Extraction with Cross-Modal Retrieval and Synthesis [89.04041100520881]
本研究は,対象物,文,画像全体に基づいて,テキストおよび視覚的証拠を検索することを提案する。我々は,オブジェクトレベル,画像レベル,文レベル情報を合成し,同一性と異なるモダリティ間の推論を改善する新しい手法を開発した。
論文参考訳（メタデータ） (2023-05-25T15:26:13Z)
Bayesian intrinsic groupwise registration via explicit hierarchical disentanglement [18.374535632681884]
階層的ベイズ推論の手順としてグループ登録を定式化する一般的な枠組みを提案する。本稿では, 共用構造表現の共用学習を容易にする, 後・後・後・後・後・後・後・後・後・後・後・後・後・後・後・後・後・後・後・後・後・後・後・後・後・後・後・後・後・後・後・後・後・後その結果,マルチモーダルなグループ登録をエンドツーエンドで実現するためのフレームワークの有効性が示された。
論文参考訳（メタデータ） (2022-06-06T06:13:24Z)
Support-set based Multi-modal Representation Enhancement for Video Captioning [121.70886789958799]
サンプル間で共有されるセマンティックサブ空間において、リッチな情報をマイニングするためのサポートセットベースのマルチモーダル表現拡張(SMRE)モデルを提案する。具体的には、サンプル間の基礎となる関係を学習し、意味的関連視覚要素を得るためのサポートセットを構築するためのサポートセット構築(SC)モジュールを提案する。本研究では,SST(Semantic Space Transformation)モジュールを設計し,相対距離を制約し,マルチモーダルインタラクションを自己管理的に管理する。
論文参考訳（メタデータ） (2022-05-19T03:40:29Z)
Real-Time Scene Text Detection with Differentiable Binarization and Adaptive Scale Fusion [62.269219152425556]
セグメンテーションに基づくシーンテキスト検出手法はシーンテキスト検出分野において大きな注目を集めている。本稿では,二項化処理をセグメンテーションネットワークに統合する分散二項化(DB)モジュールを提案する。アダプティブ・スケール・フュージョン (ASF) モジュールは, 異なるスケールの特徴を適応的に融合させることにより, スケールのロバスト性を向上させる。
論文参考訳（メタデータ） (2022-02-21T15:30:14Z)
Multi-Scale Semantics-Guided Neural Networks for Efficient Skeleton-Based Human Action Recognition [140.18376685167857]
スケルトンに基づく行動認識には,単純なマルチスケールセマンティクス誘導ニューラルネットワークが提案されている。 MS-SGNは、NTU60、NTU120、SYSUデータセットの最先端のパフォーマンスを達成する。
論文参考訳（メタデータ） (2021-11-07T03:50:50Z)
Abstractive Sentence Summarization with Guidance of Selective Multimodal Reference [3.505062507621494]
モーダル間の相互関係を考慮したマルチモーダル階層選択変換器(mhsf)モデルを提案する。提案したmhsfモデルの汎用性を,事前学習+微調整および新鮮トレーニング戦略を用いて評価した。
論文参考訳（メタデータ） (2021-08-11T09:59:34Z)
Learning deep autoregressive models for hierarchical data [0.6445605125467573]
時間的畳み込みネットワーク(STCN)の拡張として,階層構造化データのモデルを提案する。提案したモデルは,音声と手書きの2種類の連続データを用いて評価する。
論文参考訳（メタデータ） (2021-04-28T15:58:45Z)
DCANet: Dense Context-Aware Network for Semantic Segmentation [4.960604671885823]
ローカル詳細情報をグローバルな依存関係と適応的に統合する新しいモジュールであるContext-Aware (DCA) モジュールを提案する。コンテキスト関係によって駆動されるDCAモジュールは、コンテキスト情報の集約により、より強力な機能を生成することができる。 3つの挑戦的なデータセットに関する広範な実験により、私たちのアプローチの有望なパフォーマンスを実証しています。
論文参考訳（メタデータ） (2021-04-06T14:12:22Z)
Revealing the Invisible with Model and Data Shrinking for Composite-database Micro-expression Recognition [49.463864096615254]
入力複雑性とモデル複雑性を含む学習複雑性の影響を分析する。より浅層構造と低分解能入力データを探索する再帰畳み込みネットワーク(RCN)を提案する。学習可能なパラメータを増やさなくてもRCNと統合できる3つのパラメータフリーモジュールを開発した。
論文参考訳（メタデータ） (2020-06-17T06:19:24Z)

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。