論文の概要: Prototypical Q Networks for Automatic Conversational Diagnosis and Few-Shot New Disease Adaption

• arxiv url: http://arxiv.org/abs/2005.11153v1
• Date: Tue, 19 May 2020 19:10:49 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-01 13:14:07.420063
• Title: Prototypical Q Networks for Automatic Conversational Diagnosis and Few-Shot New Disease Adaption
• Title（参考訳）: 自動会話診断のためのQネットワークとFew-Shot新病適応
• Authors: Hongyin Luo, Shang-Wen Li, James Glass
• Abstract要約: 本稿では,自動診断システムのためのダイアログマネージャとして,プロトタイプQネットワーク(ProtoQN)を提案する。 ProtoQNは、医師と患者の実際の会話によるプロトタイプの埋め込みを計算し、それらから学習し、シミュレータ拡張ダイアログをより効率的に行う。
• 参考スコア（独自算出の注目度）: 10.852659741015442
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Spoken dialog systems have seen applications in many domains, including medical for automatic conversational diagnosis. State-of-the-art dialog managers are usually driven by deep reinforcement learning models, such as deep Q networks (DQNs), which learn by interacting with a simulator to explore the entire action space since real conversations are limited. However, the DQN-based automatic diagnosis models do not achieve satisfying performances when adapted to new, unseen diseases with only a few training samples. In this work, we propose the Prototypical Q Networks (ProtoQN) as the dialog manager for the automatic diagnosis systems. The model calculates prototype embeddings with real conversations between doctors and patients, learning from them and simulator-augmented dialogs more efficiently. We create both supervised and few-shot learning tasks with the Muzhi corpus. Experiments showed that the ProtoQN significantly outperformed the baseline DQN model in both supervised and few-shot learning scenarios, and achieves state-of-the-art few-shot learning performances.
• Abstract（参考訳）: 音声対話システムは、自動会話診断のための医療を含む多くの領域で応用されている。 最先端のダイアログマネージャは通常、ディープQネットワーク(DQN)のような深い強化学習モデルによって駆動される。 しかし、dqnベースの自動診断モデルは、少数のトレーニングサンプルしか持たない新しい未発見疾患に適応しても、満足できる性能を得られない。 本稿では,自動診断システムのためのダイアログマネージャとして,プロトタイプQネットワーク(ProtoQN)を提案する。 このモデルは、医師と患者との実際の会話によるプロトタイプの埋め込みを計算し、そこから学習し、シミュレータ拡張ダイアログをより効率的に行う。 我々はMuzhiコーパスを用いて教師付きおよび数発の学習タスクを作成する。 実験により、protoqnは教師付きおよび少数ショットの学習シナリオでベースラインdqnモデルを大きく上回り、最先端の少数ショット学習性能を達成した。

関連論文リスト

• Dialogue-Contextualized Re-ranking for Medical History-Taking [5.039849340960835]
  本稿では,第1段階の質問候補を再ランク付けすることで,トレーニングと推論のギャップを埋める2段階の再ランク付け手法を提案する。 専門家システムと比較して,提案するトランスフォーマーバックボーンを用いたグローバルリランカにより,最高の性能が得られることがわかった。
  論文  参考訳（メタデータ） (2023-04-04T17:31:32Z)
• Stabilized In-Context Learning with Pre-trained Language Models for Few Shot Dialogue State Tracking [57.92608483099916]
  大規模事前学習言語モデル(PLM)は、多くのNLPタスクにまたがる優れた性能を示している。 対話状態追跡(DST)のようなより複雑なタスクでは、望ましい意図を確実に伝達するプロンプトを設計するのは簡単ではない。 対話文の長さを制限するためのサリエンシモデルを導入し、クエリ毎に多くの例を含めることができます。
  論文  参考訳（メタデータ） (2023-02-12T15:05:10Z)
• GODEL: Large-Scale Pre-Training for Goal-Directed Dialog [119.1397031992088]
  ダイアログのための大規模事前学習言語モデルであるGODELを紹介する。 GODELは、数ショットの微調整設定で、最先端の事前訓練ダイアログモデルより優れていることを示す。 評価手法の新たな特徴は,応答の有用性を評価するユーティリティの概念の導入である。
  論文  参考訳（メタデータ） (2022-06-22T18:19:32Z)
• In-Context Learning for Few-Shot Dialogue State Tracking [55.91832381893181]
  In-context (IC) Learning framework for few-shot dialogue state tracking (DST)を提案する。 大規模な事前訓練言語モデル(LM)は、テストインスタンスといくつかの注釈付き例を入力として取り、パラメータの更新なしに直接対話状態をデコードする。 これにより、LMは、新しいドメインやシナリオに適応する際の、以前の数ショットのDST作業と比べて、より柔軟でスケーラブルになります。
  論文  参考訳（メタデータ） (2022-03-16T11:58:24Z)
• SYNERGY: Building Task Bots at Scale Using Symbolic Knowledge and Machine Teaching [75.87418236410296]
  SynERGYは、タスクボットを2つのステップで開発するハイブリッド学習フレームワークである。 トレーニング済みのニューラルダイアログモデルであるSOLOISTは、シミュレーションダイアログ上で微調整され、タスクのためのボットを構築する。 微調整されたニューラルダイアログモデルは、機械教育を通じて、いくつかの実際のタスク固有のダイアログによって継続的に洗練される。
  論文  参考訳（メタデータ） (2021-10-21T23:13:04Z)
• Few-Shot Bot: Prompt-Based Learning for Dialogue Systems [58.27337673451943]
  ごく少数の例を使って会話を学ぶことは、会話型AIにおける大きな課題である。 現在の最良の会話モデルは、良いチャットシャッター(例:BlenderBot)またはゴール指向システム(例:MinTL)である。 グラデーションベースの微調整を必要とせず、学習の唯一の源としていくつかの例を用いるプロンプトベースの数ショット学習を提案する。
  論文  参考訳（メタデータ） (2021-10-15T14:36:45Z)
• Knowledge Grounded Conversational Symptom Detection with Graph Memory Networks [5.788153402669881]
  対話を通じて患者と対話し,臨床症状を自動的に検出し収集するシステムを構築した。 患者が診断のためのダイアログを開始するための明示的な症状のセットが与えられた場合、システムは質問によって暗黙の症状を収集するように訓練される。 各質問に対する患者からの回答を得た後、システムはまた、現在の情報が人間の医師が診断を行うのに十分であるかどうかを決定します。
  論文  参考訳（メタデータ） (2021-01-24T18:50:16Z)
• A Neural Question Answering System for Basic Questions about Subroutines [32.98355443690782]
  質問応答(QA)システムは、人間のユーザーが課す質問に対する自然言語の回答を生成する対話型AIの一種です。 コンテキストベースのQAシステムを設計することで、ソフトウェアエンジニアリングアプリケーションに最先端のニューラルテクノロジーをもたらすための最初の一歩を踏み出します。
  論文  参考訳（メタデータ） (2021-01-11T16:18:52Z)
• SOLOIST: Building Task Bots at Scale with Transfer Learning and Machine Teaching [81.45928589522032]
  トランスフォーマーに基づく自動回帰言語モデルを用いて,モジュール型タスク指向対話システムをパラメータ化する。 タスクグラウンド応答生成モデルである異種ダイアログコーパスの事前学習を行う。 実験により、SOLOISTは、よく研究されたタスク指向のダイアログベンチマーク上で、新しい最先端のダイアログを生成する。
  論文  参考訳（メタデータ） (2020-05-11T17:58:34Z)

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。