論文の概要: Improving Longer-range Dialogue State Tracking

• arxiv url: http://arxiv.org/abs/2103.00109v1
• Date: Sat, 27 Feb 2021 02:44:28 GMT
• ステータス: 処理完了
• システム内更新日: 2021-03-06 06:11:27.721096
• Title: Improving Longer-range Dialogue State Tracking
• Title（参考訳）: 長距離対話状態追跡の改善
• Authors: Ye Zhang, Yuan Cao, Mahdis Mahdieh, Jefferey Zhao, Yonghui Wu
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 22.606650177804966
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Dialogue state tracking (DST) is a pivotal component in task-oriented dialogue systems. While it is relatively easy for a DST model to capture belief states in short conversations, the task of DST becomes more challenging as the length of a dialogue increases due to the injection of more distracting contexts. In this paper, we aim to improve the overall performance of DST with a special focus on handling longer dialogues. We tackle this problem from three perspectives: 1) A model designed to enable hierarchical slot status prediction; 2) Balanced training procedure for generic and task-specific language understanding; 3) Data perturbation which enhances the model's ability in handling longer conversations. We conduct experiments on the MultiWOZ benchmark, and demonstrate the effectiveness of each component via a set of ablation tests, especially on longer conversations.
• Abstract（参考訳）: 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。 DSTモデルが短い会話で信念状態を捉えるのは比較的簡単ですが、より気を散らすコンテキストの注入によって対話の長さが増加するにつれて、DSTのタスクはより困難になります。 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。 1)階層的なスロット状態予測を可能にするモデル,2)汎用言語とタスク固有の言語理解のためのバランスの取れたトレーニング手順,3)長い会話を扱うモデルの能力を高めるデータ摂動,の3つの観点からこの問題に取り組む。 本研究では,マルチウォズベンチマークを用いて実験を行い,アブレーション試験,特に長い会話における各成分の有効性を実証する。

関連論文リスト

• Chain of Thought Explanation for Dialogue State Tracking [52.015771676340016]
  対話状態追跡(DST)は、会話中のユーザクエリと目標を記録することを目的としている。 DSTタスクに対してChain-of-Thought-Explanation(CoTE)というモデルを提案する。 CoTEはスロット値を決定した後、ステップバイステップで詳細な説明を作成するように設計されている。
  論文  参考訳（メタデータ） (2024-03-07T16:59:55Z)
• OLISIA: a Cascade System for Spoken Dialogue State Tracking [1.6655682083533425]
  OLISIAは、自動音声認識(ASR)モデルと対話状態追跡(DST)モデルを統合するカスケードシステムである。 ASRおよびDSTモジュールにいくつかの適応を導入し、音声会話の統合性や堅牢性を向上させる。 ASR出力の正規化とデータ拡張によるDST入力の適応と、事前学習したモデルサイズの増加は、すべて、文字と音声の会話における性能の相違を低減する上で重要な役割を担っている。
  論文  参考訳（メタデータ） (2023-04-20T09:30:50Z)
• Stabilized In-Context Learning with Pre-trained Language Models for Few Shot Dialogue State Tracking [57.92608483099916]
  大規模事前学習言語モデル(PLM)は、多くのNLPタスクにまたがる優れた性能を示している。 対話状態追跡(DST)のようなより複雑なタスクでは、望ましい意図を確実に伝達するプロンプトを設計するのは簡単ではない。 対話文の長さを制限するためのサリエンシモデルを導入し、クエリ毎に多くの例を含めることができます。
  論文  参考訳（メタデータ） (2023-02-12T15:05:10Z)
• KILDST: Effective Knowledge-Integrated Learning for Dialogue State Tracking using Gazetteer and Speaker Information [3.342637296393915]
  対話状態追跡(DST)は、対話システムにおける中核的な研究であり、多くの注目を集めている。 ユーザ間の対話に対処できる新たな問題を,ユーザ間の対話から情報を抽出し,推奨する対話型AIへのステップとして定義する必要がある。 イベントのスケジューリングに関するユーザ間の対話(DST-S)からの新しいタスクDSTを導入する。 DST-Sタスクは、ユーザ間の対話における対話を理解し、追跡し、誰がスケジュールを提案し、誰が提案されたスケジュールに同意したかを理解する必要があるため、はるかに難しい。
  論文  参考訳（メタデータ） (2023-01-18T07:11:56Z)
• OPAL: Ontology-Aware Pretrained Language Model for End-to-End Task-Oriented Dialogue [40.62090743056549]
  本稿では、エンドツーエンドタスク指向対話(TOD)のためのオントロジー対応事前学習言語モデル(OPAL)を提案する。 チャット型対話モデルとは異なり、タスク指向対話モデルは少なくとも2つのタスク固有モジュールを満たす:対話状態トラッカー(DST)と応答生成器(RG)。
  論文  参考訳（メタデータ） (2022-09-10T04:38:27Z)
• A Multi-Task BERT Model for Schema-Guided Dialogue State Tracking [78.2700757742992]
  タスク指向対話システムは対話状態追跡器(DST)を用いて会話を完了させる。 最近の最先端のDST実装は、モデルの堅牢性を改善するために様々なサービスのスキーマに依存している。 本稿では,意図予測,要求スロット予測,スロットフィリングの3つのDSTタスクを協調的に解決する単一マルチタスクBERTモデルを提案する。
  論文  参考訳（メタデータ） (2022-07-02T13:27:59Z)
• In-Context Learning for Few-Shot Dialogue State Tracking [55.91832381893181]
  In-context (IC) Learning framework for few-shot dialogue state tracking (DST)を提案する。 大規模な事前訓練言語モデル(LM)は、テストインスタンスといくつかの注釈付き例を入力として取り、パラメータの更新なしに直接対話状態をデコードする。 これにより、LMは、新しいドメインやシナリオに適応する際の、以前の数ショットのDST作業と比べて、より柔軟でスケーラブルになります。
  論文  参考訳（メタデータ） (2022-03-16T11:58:24Z)
• Dialogue Summaries as Dialogue States (DS2), Template-Guided Summarization for Few-shot Dialogue State Tracking [16.07100713414678]
  DST(Few-shot dialogue state tracking)は、この問題に対する現実的な解決策である。 本稿では,対話状態追跡を対話要約問題として再検討する。
  論文  参考訳（メタデータ） (2022-03-03T07:54:09Z)
• 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)
• Dual Learning for Dialogue State Tracking [44.679185483585364]
  対話状態追跡(DST)とは、各ターンの対話状態を推定することである。 複雑な対話履歴のコンテキストに依存するため、DSTデータアノテーションは単文言語理解よりも高価である。 ラベルのないデータを完全に活用するための新しい二元学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2020-09-22T10:15:09Z)
• TOD-BERT: Pre-trained Natural Language Understanding for Task-Oriented Dialogue [113.45485470103762]
  本研究では,言語モデリングのためのタスク指向対話データセットを,人間とマルチターンの9つに統合する。 事前学習時の対話動作をモデル化するために,ユーザトークンとシステムトークンをマスク付き言語モデルに組み込む。
  論文  参考訳（メタデータ） (2020-04-15T04:09:05Z)

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。