論文の概要: On Estimating the Training Cost of Conversational Recommendation Systems
- arxiv url: http://arxiv.org/abs/2011.05302v1
- Date: Tue, 10 Nov 2020 18:37:10 GMT
- ステータス: 処理完了
- システム内更新日: 2022-09-27 06:48:36.967659
- Title: On Estimating the Training Cost of Conversational Recommendation Systems
- Title(参考訳): 会話レコメンデーションシステムのトレーニングコストの推定について
- Authors: Stefanos Antaris, Dimitrios Rafailidis, Mohammad Aliannejadi
- Abstract要約: 最先端の会話モデルの計算訓練時間について検討する。
我々は,知識蒸留戦略に則って,高いトレーニングコストに対処する可能性について論じる。
多数のモデルパラメータのオンライン推論時間を短縮する上で重要な課題について詳述する。
- 参考スコア(独自算出の注目度): 6.220008946076208
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Conversational recommendation systems have recently gain a lot of attention,
as users can continuously interact with the system over multiple conversational
turns. However, conversational recommendation systems are based on complex
neural architectures, thus the training cost of such models is high. To shed
light on the high computational training time of state-of-the art
conversational models, we examine five representative strategies and
demonstrate this issue. Furthermore, we discuss possible ways to cope with the
high training cost following knowledge distillation strategies, where we detail
the key challenges to reduce the online inference time of the high number of
model parameters in conversational recommendation systems
- Abstract(参考訳): 会話レコメンデーションシステムは、ユーザが複数の会話のターンで継続的にシステムと対話できるため、近年多くの注目を集めている。
しかし,対話型レコメンデーションシステムは複雑なニューラルアーキテクチャに基づいているため,モデルのトレーニングコストが高い。
最先端の会話モデルの高い計算訓練時間を明らかにするために,5つの代表的な戦略を検討し,この問題を実証する。
さらに、知識蒸留戦略の後に高いトレーニングコストに対処する方法についても論じ、対話型レコメンデーションシステムにおいて、多数のモデルパラメータのオンライン推論時間を短縮する上で重要な課題を詳述する。
関連論文リスト
- PICK: Polished & Informed Candidate Scoring for Knowledge-Grounded
Dialogue Systems [59.1250765143521]
現在の知識接地対話システムは、生成された応答を人間に好まれる品質に合わせるのに失敗することが多い。
我々は,世代別再描画フレームワークであるPolseed & Informed Candidate Scoring (PICK)を提案する。
対話履歴に関連性を維持しつつ,より忠実な応答を生成するためのPICKの有効性を示す。
論文 参考訳(メタデータ) (2023-09-19T08:27:09Z) - Improving Conversational Recommendation Systems via Counterfactual Data
Simulation [73.4526400381668]
会話推薦システム(CRS)は、自然言語による会話を通じてレコメンデーションサービスを提供することを目的としている。
既存のCRSアプローチは、トレーニングデータの不足により、トレーニングの不十分な問題に悩まされることが多い。
我々は,CRSにおけるデータ不足の問題を緩和するため,CFCRSと呼ばれるCRSに対するCounterFactualデータシミュレーション手法を提案する。
論文 参考訳(メタデータ) (2023-06-05T12:48:56Z) - DialAug: Mixing up Dialogue Contexts in Contrastive Learning for Robust
Conversational Modeling [3.3578533367912025]
本稿では,対話コンテキストの拡張バージョンを学習目的に組み込むフレームワークを提案する。
提案手法は,従来のデータ拡張手法よりも優れていることを示す。
論文 参考訳(メタデータ) (2022-04-15T23:39:41Z) - Interactive Machine Learning for Image Captioning [8.584932159968002]
画像キャプションモデルのための対話型学習手法を提案する。
我々は、データ拡張手法を用いてフィードバックを乗算することで、人間のフィードバックをできるだけ活用するシステムを構想する。
論文 参考訳(メタデータ) (2022-02-28T09:02:32Z) - Improving mathematical questioning in teacher training [1.794107419334178]
高忠実でAIに基づくシミュレートされた教室システムにより、教師は効果的な教育戦略をリハーサルすることができる。
本稿では,教師が数学的質問のスキルを実践するのを支援するために,テキストベースの対話型エージェントを構築した。
論文 参考訳(メタデータ) (2021-12-02T05:33:03Z) - Response Generation with Context-Aware Prompt Learning [19.340498579331555]
本稿では,対話生成問題を素早い学習課題とする,事前学習型対話モデリングのための新しい手法を提案する。
限られた対話データを微調整する代わりに、我々のアプローチであるDialogPromptは、対話コンテキストに最適化された連続的なプロンプト埋め込みを学習する。
提案手法は,微調整ベースラインと汎用的なプロンプト学習法を著しく上回っている。
論文 参考訳(メタデータ) (2021-11-04T05:40:13Z) - 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) - Learning an Effective Context-Response Matching Model with
Self-Supervised Tasks for Retrieval-based Dialogues [88.73739515457116]
我々は,次のセッション予測,発話復元,不整合検出,一貫性判定を含む4つの自己教師型タスクを導入する。
我々はPLMに基づく応答選択モデルとこれらの補助タスクをマルチタスク方式で共同で訓練する。
実験結果から,提案した補助的自己教師型タスクは,多ターン応答選択において大きな改善をもたらすことが示された。
論文 参考訳(メタデータ) (2020-09-14T08:44:46Z) - Deep Conversational Recommender Systems: A New Frontier for
Goal-Oriented Dialogue Systems [54.06971074217952]
Conversational Recommender System (CRS)は対話型対話を通じてユーザの好みを学習し、モデル化する。
ディープラーニングアプローチはCRSに適用され、実りある結果を生み出した。
論文 参考訳(メタデータ) (2020-04-28T02:20:42Z) - A Bayesian Approach to Conversational Recommendation Systems [60.12942570608859]
ベイズ的アプローチに基づく会話推薦システムを提案する。
エンターテイナーを予約するオンラインプラットフォームであるemphstagend.comへのこのアプローチの適用に基づくケーススタディについて論じる。
論文 参考訳(メタデータ) (2020-02-12T15:59:31Z)
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。