論文の概要: Deep Open Intent Classification with Adaptive Decision Boundary
- arxiv url: http://arxiv.org/abs/2012.10209v5
- Date: Thu, 1 Apr 2021 13:27:49 GMT
- ステータス: 処理完了
- システム内更新日: 2021-05-01 18:18:02.826606
- Title: Deep Open Intent Classification with Adaptive Decision Boundary
- Title(参考訳): 適応的決定境界を用いた深いオープンインテント分類
- Authors: Hanlei Zhang, Hua Xu, Ting-En Lin
- Abstract要約: オープン意図分類のための適応決定境界(ADB)を学習するための後処理手法を提案する。
具体的には,経験的リスクとオープンスペースリスクを両立させる新たな損失関数を提案する。
私たちのアプローチは、ラベル付きデータが少なく、既知の意図が少ないと驚くほど非感受性です。
- 参考スコア(独自算出の注目度): 21.478553057876972
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Open intent classification is a challenging task in dialogue systems. On the
one hand, it should ensure the quality of known intent identification. On the
other hand, it needs to detect the open (unknown) intent without prior
knowledge. Current models are limited in finding the appropriate decision
boundary to balance the performances of both known intents and the open intent.
In this paper, we propose a post-processing method to learn the adaptive
decision boundary (ADB) for open intent classification. We first utilize the
labeled known intent samples to pre-train the model. Then, we automatically
learn the adaptive spherical decision boundary for each known class with the
aid of well-trained features. Specifically, we propose a new loss function to
balance both the empirical risk and the open space risk. Our method does not
need open intent samples and is free from modifying the model architecture.
Moreover, our approach is surprisingly insensitive with less labeled data and
fewer known intents. Extensive experiments on three benchmark datasets show
that our method yields significant improvements compared with the
state-of-the-art methods. The codes are released at
https://github.com/thuiar/Adaptive-Decision-Boundary.
- Abstract(参考訳): オープンインテント分類は対話システムにおいて難しい課題である。
一方で、既知の意図の識別の品質を保証する必要がある。
一方、事前の知識なしにオープン(未知)の意図を検出する必要がある。
現在のモデルは、既知の意図とオープン意図の両方のパフォーマンスのバランスをとるための適切な決定境界を見つける場合に限られている。
本稿では,オープン意図分類のための適応決定境界(ADB)を学習するための後処理手法を提案する。
まず,ラベル付き既知のインテントサンプルを使用してモデルを事前学習する。
次に,よく訓練された特徴の助けを借りて,各既知のクラスに対する適応球面決定境界を自動的に学習する。
具体的には,経験的リスクとオープンスペースリスクを両立させる新たな損失関数を提案する。
このメソッドはオープンインテントのサンプルは必要とせず、モデルアーキテクチャの変更は行わない。
さらに、私たちのアプローチはラベル付きデータの少ないことと、既知の意図の少ないことに驚くほど敏感です。
3つのベンチマークデータセットの大規模な実験により、我々の手法は最先端の手法と比較して大きな改善をもたらすことが示された。
コードはhttps://github.com/thuiar/adaptive-decision-boundaryでリリースされる。
関連論文リスト
- Learnability Gaps of Strategic Classification [68.726857356532]
我々は,戦略的分類と標準学習の間にある学習可能性のギャップという,根本的な問題に対処することに注力する。
ほぼ厳密なサンプルの複雑さと後悔の限界を提供し、以前の結果よりも大幅に改善します。
この設定における我々のアルゴリズムは、独立して興味を持ち、マルチラベル学習のような他の問題にも適用できる。
論文 参考訳(メタデータ) (2024-02-29T16:09:19Z) - Effective Open Intent Classification with K-center Contrastive Learning
and Adjustable Decision Boundary [28.71330804762103]
オープンインテント分類の有効性を向上するために,新しいK中心のコントラスト学習とCLAB(Compactable decision boundary learning)を導入する。
具体的には,K中心のコントラスト学習アルゴリズムを考案し,差別的かつバランスの取れた意図的特徴を学習する。
次に、決定中心と決定境界の半径からなる、既知の意図クラス毎に決定境界を学習する。
論文 参考訳(メタデータ) (2023-04-20T11:35:06Z) - Open World Classification with Adaptive Negative Samples [89.2422451410507]
オープンワールド分類は、自然言語処理における重要な実践的妥当性と影響を伴う課題である。
そこで本研究では, アンダーライン適応型アンダーラインアンプ (ANS) に基づいて, 学習段階における効果的な合成オープンカテゴリサンプルを生成する手法を提案する。
ANSは最先端の手法よりも大幅に改善されている。
論文 参考訳(メタデータ) (2023-03-09T21:12:46Z) - 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) - 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) - Learning Discriminative Representations and Decision Boundaries for Open
Intent Detection [16.10123071366136]
オープンインテント検出は自然言語理解において重要な問題である。
オープンな意図検出のための距離認識意図表現と適応的決定境界を学習するDA-ADBを提案する。
我々のフレームワークは3つのベンチマークデータセットで大幅に改善されている。
論文 参考訳(メタデータ) (2022-03-11T10:02:09Z) - Discovering New Intents with Deep Aligned Clustering [19.11073686645496]
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。
論文 参考訳(メタデータ) (2020-12-16T14:32:06Z) - Discriminative Nearest Neighbor Few-Shot Intent Detection by
Transferring Natural Language Inference [150.07326223077405]
データ不足を緩和するためには、ほとんどショットラーニングが注目を集めている。
深部自己注意を伴う識別的近傍分類を提示する。
自然言語推論モデル(NLI)を変換することで識別能力を高めることを提案する。
論文 参考訳(メタデータ) (2020-10-25T00:39:32Z) - Open Set Recognition with Conditional Probabilistic Generative Models [51.40872765917125]
オープンセット認識のための条件付き確率生成モデル(CPGM)を提案する。
CPGMは未知のサンプルを検出できるが、異なる潜在特徴を条件付きガウス分布に近似させることで、既知のクラスを分類できる。
複数のベンチマークデータセットの実験結果から,提案手法がベースラインを著しく上回ることがわかった。
論文 参考訳(メタデータ) (2020-08-12T06:23:49Z) - Few-Shot Open-Set Recognition using Meta-Learning [72.15940446408824]
オープンセット認識の問題点を考察する。
新しいoPen sEt mEta LEaRning (PEELER)アルゴリズムが導入された。
論文 参考訳(メタデータ) (2020-05-27T23:49:26Z)
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。