論文の概要: A Contextual Hierarchical Attention Network with Adaptive Objective for Dialogue State Tracking

• arxiv url: http://arxiv.org/abs/2006.01554v2
• Date: Mon, 21 Dec 2020 02:03:40 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-26 00:19:24.705428
• Title: A Contextual Hierarchical Attention Network with Adaptive Objective for Dialogue State Tracking
• Title（参考訳）: 対話状態追跡のための適応目的付き文脈階層型注意ネットワーク
• Authors: Yong Shan, Zekang Li, Jinchao Zhang, Fandong Meng, Yang Feng, Cheng Niu, Jie Zhou
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 63.94927237189888
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Recent studies in dialogue state tracking (DST) leverage historical information to determine states which are generally represented as slot-value pairs. However, most of them have limitations to efficiently exploit relevant context due to the lack of a powerful mechanism for modeling interactions between the slot and the dialogue history. Besides, existing methods usually ignore the slot imbalance problem and treat all slots indiscriminately, which limits the learning of hard slots and eventually hurts overall performance. In this paper, we propose to enhance the DST through employing a contextual hierarchical attention network to not only discern relevant information at both word level and turn level but also learn contextual representations. We further propose an adaptive objective to alleviate the slot imbalance problem by dynamically adjust weights of different slots during training. Experimental results show that our approach reaches 52.68% and 58.55% joint accuracy on MultiWOZ 2.0 and MultiWOZ 2.1 datasets respectively and achieves new state-of-the-art performance with considerable improvements (+1.24% and +5.98%).
• Abstract（参考訳）: 対話状態追跡(DST)の最近の研究は、履歴情報を利用して一般にスロット値ペアとして表される状態を決定する。 しかし、ほとんどの場合、スロットと対話履歴の間の相互作用をモデル化する強力なメカニズムが欠如しているため、関連するコンテキストを効率的に活用する制限がある。 加えて、既存の手法は通常スロットの不均衡問題を無視し、全てのスロットを非差別的に扱う。 本稿では,単語レベルとターンレベルの両方で関連情報を識別するだけでなく,文脈表現を学習するために,文脈階層型アテンションネットワークを用いてDSTを強化することを提案する。 さらに,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およびMultiWOZ 2.1データセットでは,52.68%,58.55%のジョイント精度を実現し,大幅な改善(+1.24%,+5.98%)を達成できた。

関連論文リスト

• Linguistic More: Taking a Further Step toward Efficient and Accurate Scene Text Recognition [92.6211155264297]
  Scene Text Recognition (STR) タスクの単純さと効率性から,視覚モデルへの注目が高まっている。 最近の視覚モデルでは,(1)純粋な視覚に基づく問合せによって注意のドリフトが発生し,認識不良が生じ,言語的不感なドリフト(LID)問題として要約される。 我々は,正確なテキスト認識のための視覚モデルの言語的能力を検討するために,$textbfL$inguistic $textbfP$erception $textbfV$ision model (LPV)を提案する。
  論文  参考訳（メタデータ） (2023-05-09T02:52:47Z)
• Dialogue State Distillation Network with Inter-Slot Contrastive Learning for Dialogue State Tracking [25.722458066685046]
  対話状態追跡(DST)は,対話履歴からユーザの意図を抽出することを目的としている。 現在、既存のほとんどのアプローチはエラーの伝播に悩まされており、関連する情報を動的に選択することはできない。 本稿では,従来の対話状態の関連情報を活用するために,対話状態蒸留ネットワーク(DSDN)を提案する。
  論文  参考訳（メタデータ） (2023-02-16T11:05:24Z)
• 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)
• LUNA: Learning Slot-Turn Alignment for Dialogue State Tracking [21.80577241399013]
  対話状態追跡(DST)は、対話履歴から現在の対話状態を予測することを目的としている。 既存のメソッドは通常、すべての対話の発話を利用して、各スロットの値を割り当てる。 sLot-tUrNアライメント拡張手法LUNAを提案する。 まず、各スロットを最も関連性の高い発話に明示的にアライメントし、さらに全ての対話発話の代わりに、このアライメントされた発話に基づいて対応する値を予測する。
  論文  参考訳（メタデータ） (2022-05-05T10:18:23Z)
• 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)
• Improving Limited Labeled Dialogue State Tracking with Self-Supervision [91.68515201803986]
  既存の対話状態追跡(DST)モデルには多くのラベル付きデータが必要である。 本稿では,潜在的一貫性の維持と対話行動のモデル化という,自己指導型の2つの目的について検討する。 提案する自己教師型信号は,1%のラベル付きデータのみを使用する場合,関節ゴール精度を8.95%向上させることができる。
  論文  参考訳（メタデータ） (2020-10-26T21:57:42Z)
• CoCo: Controllable Counterfactuals for Evaluating Dialogue State Trackers [92.5628632009802]
  本稿では,このギャップを橋渡しし,新たなシナリオにおける対話状態追跡(DST)モデルを評価するための制御可能な対策(CoCo)を提案する。 CoCoは、2つのステップで新しい会話シナリオを生成する: (i) スロットをドロップして追加し、スロット値を置き換えて、 (ii) (i) で条件付きで対話フローと整合する対実会話生成。 人間による評価では、COCO生成された会話は95%以上の精度でユーザー目標を完璧に反映し、元の会話と同じくらい人間らしくなっている。
  論文  参考訳（メタデータ） (2020-10-24T09:39:35Z)
• From Machine Reading Comprehension to Dialogue State Tracking: Bridging the Gap [41.577548543163196]
  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。
  論文  参考訳（メタデータ） (2020-04-13T09:00:03Z)
• 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)

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。