Fugu-MT 論文翻訳(概要): Neural Dialogue State Tracking with Temporally Expressive Networks

論文の概要: Neural Dialogue State Tracking with Temporally Expressive Networks

arxiv url: http://arxiv.org/abs/2009.07615v2
Date: Sat, 3 Oct 2020 07:36:07 GMT
ステータス: 処理完了
システム内更新日: 2022-10-17 23:53:53.964055
Title: Neural Dialogue State Tracking with Temporally Expressive Networks
Title（参考訳）: 時間表現型ネットワークを用いたニューラル対話状態追跡
Authors: Junfan Chen, Richong Zhang, Yongyi Mao, Jie Xu
Abstract要約: 対話状態追跡(DST)は、音声対話システムにおいて重要な部分である。既存のDSTモデルは、対話中の時間的特徴依存を無視したり、対話における時間的状態依存を明示的にモデル化しなかったりする。 DSTにおける2種類の時間依存を共同でモデル化するためのテンポラリ表現型ネットワーク(TEN)を提案する。
参考スコア（独自算出の注目度）: 40.808421462004866
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Dialogue state tracking (DST) is an important part of a spoken dialogue system. Existing DST models either ignore temporal feature dependencies across dialogue turns or fail to explicitly model temporal state dependencies in a dialogue. In this work, we propose Temporally Expressive Networks (TEN) to jointly model the two types of temporal dependencies in DST. The TEN model utilizes the power of recurrent networks and probabilistic graphical models. Evaluating on standard datasets, TEN is demonstrated to be effective in improving the accuracy of turn-level-state prediction and the state aggregation.
Abstract（参考訳）: 対話状態追跡(DST)は音声対話システムにおいて重要な部分である。既存のDSTモデルは、対話中の時間的特徴依存を無視したり、対話における時間的状態依存を明示的にモデル化しない。本研究では,DSTにおける2種類の時間依存を協調的にモデル化するためのテンポラリ表現型ネットワーク(TEN)を提案する。 TENモデルは、リカレントネットワークと確率的グラフィカルモデルのパワーを利用する。標準データセット上での評価では、ターンレベル状態予測と状態集約の精度向上に有効であることが示されている。

関連論文リスト

Injecting linguistic knowledge into BERT for Dialogue State Tracking [60.42231674887294]
本稿では,教師なしの枠組みを用いて言語知識を抽出する手法を提案する。次に、この知識を用いて、対話状態追跡(DST)タスクにおけるBERTの性能と解釈可能性を高める。このフレームワークを様々なDSTタスクでベンチマークし、精度の顕著な改善を観察する。
論文参考訳（メタデータ） (2023-11-27T08:38:42Z)
Relational Temporal Graph Reasoning for Dual-task Dialogue Language Understanding [39.76268402567324]
デュアルタスクダイアログ理解言語は、2つの相関ダイアログ言語理解タスクを、その固有の相関を通じて同時に扱うことを目的としている。我々は、リレーショナル時間グラフ推論(Relational temporal graph reasoning)が中心となる新しいフレームワークを提唱した。私たちのモデルは最先端のモデルよりも大きなマージンで優れています。
論文参考訳（メタデータ） (2023-06-15T13:19:08Z)
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)
Prompt Learning for Few-Shot Dialogue State Tracking [75.50701890035154]
本稿では,限られたラベル付きデータを用いて,対話状態追跡(DST)モデルを効率的に学習する方法に焦点を当てる。本稿では,2つの主要なコンポーネントである値ベースプロンプトと逆プロンプト機構からなる,数ショットDSTのためのプロンプト学習フレームワークを設計する。実験により、我々のモデルは未確認のスロットを生成し、既存の最先端の数ショット法より優れていることが示された。
論文参考訳（メタデータ） (2022-01-15T07:37:33Z)
Improving Longer-range Dialogue State Tracking [22.606650177804966]
対話状態追跡(DST)はタスク指向対話システムにおいて重要な要素である。本稿では,より長い対話処理を特に重視したDSTの全体的な性能向上を目指す。
論文参考訳（メタデータ） (2021-02-27T02:44:28Z)
I like fish, especially dolphins: Addressing Contradictions in Dialogue Modeling [104.09033240889106]
DialoguE Contradiction Detection Task(DECODE)と、人間とロボットの矛盾した対話の両方を含む新しい会話データセットを紹介します。次に、事前学習したトランスフォーマーモデルを用いて、定型的非構造的アプローチと矛盾検出を行う構造的発話に基づくアプローチを比較する。
論文参考訳（メタデータ） (2020-12-24T18:47:49Z)
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)
Efficient Context and Schema Fusion Networks for Multi-Domain Dialogue State Tracking [32.36259992245]
対話状態追跡(DST)は、前回の会話のすべてから現在の対話状態を推定することを目的としている。マルチドメインDSTでは、状態候補の数の増加と対話長の増加により、データ空間の問題が大きな障害となっている。従来の対話状態(予測)と現在の対話発話をDSTの入力として利用する。
論文参考訳（メタデータ） (2020-04-07T13:46:39Z)
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)
Domain-Aware Dialogue State Tracker for Multi-Domain Dialogue Systems [2.3859169601259347]
タスク指向対話システムでは、対話状態トラッカー(DST)コンポーネントが対話履歴に基づいて対話の状態を予測する。我々は、完全にデータ駆動であり、動的サービススキーマを予測するためにモデル化されたドメイン対応対話状態トラッカーを提案する。
論文参考訳（メタデータ） (2020-01-21T13:41:09Z)

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。