Fugu-MT 論文翻訳(概要): Discovering New Intents with Deep Aligned Clustering

論文の概要: Discovering New Intents with Deep Aligned Clustering

arxiv url: http://arxiv.org/abs/2012.08987v7
Date: Mon, 22 Mar 2021 02:35:17 GMT
ステータス: 処理完了
システム内更新日: 2021-05-03 03:11:58.727957
Title: Discovering New Intents with Deep Aligned Clustering
Title（参考訳）: 深層クラスタリングによる新しいインテントの発見
Authors: Hanlei Zhang, Hua Xu, Ting-En Lin, Rui Lyu
Abstract要約: 限定された既知の意図データを用いて新しい意図を発見するための効果的な方法であるDeep Aligned Clusteringを提案する。未知の新たな意図によって、低信頼な意図的クラスタを排除し、意図的カテゴリの数を予測する。 2つのベンチマークデータセットの実験は、私たちの方法がより堅牢であり、最先端の方法よりも大幅に改善されることを示しています。
参考スコア（独自算出の注目度）: 19.11073686645496
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Discovering new intents is a crucial task in dialogue systems. Most existing methods are limited in transferring the prior knowledge from known intents to new intents. They also have difficulties in providing high-quality supervised signals to learn clustering-friendly features for grouping unlabeled intents. In this work, we propose an effective method, Deep Aligned Clustering, to discover new intents with the aid of the limited known intent data. Firstly, we leverage a few labeled known intent samples as prior knowledge to pre-train the model. Then, we perform k-means to produce cluster assignments as pseudo-labels. Moreover, we propose an alignment strategy to tackle the label inconsistency problem during clustering assignments. Finally, we learn the intent representations under the supervision of the aligned pseudo-labels. With an unknown number of new intents, we predict the number of intent categories by eliminating low-confidence intent-wise clusters. Extensive experiments on two benchmark datasets show that our method is more robust and achieves substantial improvements over the state-of-the-art methods. The codes are released at https://github.com/thuiar/DeepAligned-Clustering.
Abstract（参考訳）: 対話システムでは,新たな意図の発見が重要な課題である。既存のメソッドの多くは、既知のインテントから新しいインテントへの事前知識の転送に制限がある。また、ラベルなしインテントをグループ化するためのクラスタリングフレンドリーな特徴を学ぶための高品質な教師付き信号を提供することも困難である。本研究では,限定された意図データを用いて新たな意図を発見するための効果的な手法であるDeep Aligned Clusteringを提案する。まず、モデルを事前訓練するために、ラベル付き既知のインテントサンプルを事前知識として活用する。次に、k-meansを実行し、疑似ラベルとしてクラスタ割り当てを生成する。さらに,クラスタ割り当て時のラベル不整合問題に対処するためのアライメント戦略を提案する。最後に,アライメントされた擬似ラベルの監督下で意図表現を学習する。未知の新たな意図によって、低信頼な意図的クラスタを排除し、意図的カテゴリの数を予測する。 2つのベンチマークデータセットの大規模な実験により、我々の手法はより堅牢であり、最先端の手法よりも大幅に改善されていることが示された。コードはhttps://github.com/thuiar/deepaligned-clusteringでリリースされる。

関連論文リスト

IDAS: Intent Discovery with Abstractive Summarization [16.731183915325584]
目的発見における近年の競合手法は,抽象的な要約に基づく発話のクラスタリングによってより優れることを示す。我々は、大規模言語モデルに促すことで、記述的発話ラベルの集合を収集するIDASアプローチに貢献する。発話とそのノイズラベルは、凍結した事前訓練されたエンコーダによって符号化され、その後クラスタ化され、潜伏した意図を回復する。
論文参考訳（メタデータ） (2023-05-31T12:19:40Z)
A Clustering Framework for Unsupervised and Semi-supervised New Intent Discovery [25.900661912504397]
我々は、教師なしおよび半教師なしの新しい意図発見のための新しいクラスタリングフレームワークUSNIDを提案する。まず、教師なしまたは半教師なしのデータをフル活用して、浅いセマンティック類似性関係を抽出する。第2に、クラスタ割り当ての不整合の問題に対処するために、セントロイド誘導クラスタリング機構を設計する。第3に、教師なしまたは半教師付きデータの高レベルなセマンティクスをキャプチャして、きめ細かい意図的クラスタを見つける。
論文参考訳（メタデータ） (2023-04-16T05:30:42Z)
Analysis of Utterance Embeddings and Clustering Methods Related to Intent Induction for Task-Oriented Dialogue [8.07809100513473]
本研究では,タスク指向のダイアログスキーマの設計における課題を克服するための教師なしアプローチについて検討する。意図の自動誘導には,(1)インテントラベリングのためのクラスタリングアルゴリズム,(2)ユーザ発話の埋め込み空間の2つの因果関係を仮定する。クラスタリングによる事前学習したMiniLMは,NMI,ARI,F1,精度,インテント誘導タスクにおけるサンプルカバレッジを著しく向上させた。
論文参考訳（メタデータ） (2022-12-05T04:37:22Z)
Discovering New Intents Using Latent Variables [51.50374666602328]
本稿では,意図の割り当てを潜伏変数として扱う意図を発見するための確率的フレームワークを提案する。 E-step, we conducting intents and explore the intrinsic structure of unlabeled data by the rear of intent assignments。 M段階において、ラベル付きデータの識別を最適化することにより、既知の意図から伝達される事前知識の忘れを緩和する。
論文参考訳（メタデータ） (2022-10-21T08:29:45Z)
Novel Class Discovery without Forgetting [72.52222295216062]
我々は NCDwF: Novel Class Discovery without Forgetting の新たな実用的問題設定を特定し,定式化する。ラベルのないデータから新しいカテゴリのインスタンスを段階的に発見する機械学習モデルを提案する。 CIFAR-10, CIFAR-100, ImageNet-1000に基づく実験プロトコルを導入し, 知識保持と新しいクラス発見のトレードオフを測定する。
論文参考訳（メタデータ） (2022-07-21T17:54:36Z)
New Intent Discovery with Pre-training and Contrastive Learning [21.25371293641141]
新しい意図発見は、ユーザ発話から新しい意図カテゴリーを明らかにして、サポート対象クラスのセットを拡張することを目的としている。既存のアプローチは通常、大量のラベル付き発話に依存する。本稿では,クラスタリングのためのラベルなしデータにおける自己超越的信号を活用するために,新たなコントラスト損失を提案する。
論文参考訳（メタデータ） (2022-05-25T17:07:25Z)
Learning to Classify Open Intent via Soft Labeling and Manifold Mixup [10.863749481341497]
オープンインテント分類は対話システムにおいて実用的だが難しい課題である。外乱検出アルゴリズムを使わずに別の方法を考える。ソフトラベリングとマニフォールド・ミックスアップに基づくディープモデルを提案する。
論文参考訳（メタデータ） (2022-04-16T14:10:07Z)
AutoNovel: Automatically Discovering and Learning Novel Visual Categories [138.80332861066287]
本稿では,他のクラスをラベル付けしたイメージコレクションにおける新しいクラス発見問題に対処するため,AutoNovelと呼ばれる新しいアプローチを提案する。我々はAutoNovelを標準分類ベンチマークで評価し、新しいカテゴリー発見の手法をかなり上回っている。
論文参考訳（メタデータ） (2021-06-29T11:12:16Z)
Neighborhood Contrastive Learning for Novel Class Discovery [79.14767688903028]
我々は,クラスタリング性能に重要な識別表現を学習するために,Neighborhood Contrastive Learningという新しいフレームワークを構築した。これらの2つの成分がクラスタリング性能に大きく寄与し、我々のモデルが最先端の手法よりも大きなマージンで優れていることを実験的に実証した。
論文参考訳（メタデータ） (2021-06-20T17:34:55Z)
Refining Pseudo Labels with Clustering Consensus over Generations for Unsupervised Object Re-identification [84.72303377833732]
教師なしのオブジェクト再識別は、アノテーションなしでオブジェクト検索のための識別表現を学習することを目的としている。本稿では,クラスタリングコンセンサスを用いた連続学習世代間の擬似ラベル類似性を推定し,時間的に伝播およびアンサンブルされた擬似ラベルを用いた洗練された擬似ラベルを提案する。提案する擬似ラベル精錬戦略は単純だが有効であり、既存のクラスタリングに基づく教師なし再同定手法にシームレスに統合することができる。
論文参考訳（メタデータ） (2021-06-11T02:42:42Z)
Automatically Discovering and Learning New Visual Categories with Ranking Statistics [145.89790963544314]
我々は,他のクラスをラベル付けした画像コレクションにおいて,新しいクラスを発見する問題に対処する。汎用クラスタリングモデルを学び、後者を用いて、非競合データ中の新しいクラスを識別する。我々は,標準分類ベンチマークに対するアプローチと,新しいカテゴリー発見法の性能を,有意なマージンで評価した。
論文参考訳（メタデータ） (2020-02-13T18:53:32Z)

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。