論文の概要: Handling Long-Tail Queries with Slice-Aware Conversational Systems
- arxiv url: http://arxiv.org/abs/2104.13216v1
- Date: Mon, 26 Apr 2021 10:23:28 GMT
- ステータス: 処理完了
- システム内更新日: 2021-04-29 02:48:01.252814
- Title: Handling Long-Tail Queries with Slice-Aware Conversational Systems
- Title（参考訳）: スライス対応会話システムによるロングテールクエリ処理
- Authors: Cheng Wang, Sun Kim, Taiwoo Park, Sajal Choudhary, Sunghyun Park,
Young-Bum Kim, Ruhi Sarikaya, Sungjin Lee
- Abstract要約: スライスベース学習(SBL)の最近の概念を探ります。
まず、テールインテントの弱い監視データを生成するためのラベリング関数のセットを定義します。
その後、ベースラインモデルをスライスに拡張し、選択したテールインテントのモデルパフォーマンスを監視および改善します。
実験では、スライス認識モデルは、全体的なパフォーマンスを維持しながら、テールインテントのモデルパフォーマンスを改善するのに有益であることを示している。
- 参考スコア（独自算出の注目度）: 29.41747850530487
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: We have been witnessing the usefulness of conversational AI systems such as
Siri and Alexa, directly impacting our daily lives. These systems normally rely
on machine learning models evolving over time to provide quality user
experience. However, the development and improvement of the models are
challenging because they need to support both high (head) and low (tail) usage
scenarios, requiring fine-grained modeling strategies for specific data subsets
or slices. In this paper, we explore the recent concept of slice-based learning
(SBL) (Chen et al., 2019) to improve our baseline conversational skill routing
system on the tail yet critical query traffic. We first define a set of
labeling functions to generate weak supervision data for the tail intents. We
then extend the baseline model towards a slice-aware architecture, which
monitors and improves the model performance on the selected tail intents.
Applied to de-identified live traffic from a commercial conversational AI
system, our experiments show that the slice-aware model is beneficial in
improving model performance for the tail intents while maintaining the overall
performance.
- Abstract（参考訳）: 私たちは、SiriやAlexaといった会話型AIシステムの有用性を目の当たりにしてきました。
これらのシステムは通常、品質の高いユーザエクスペリエンスを提供するために、時間とともに進化する機械学習モデルに依存します。
しかし、モデルの開発と改善は、高い(頭)と低い(尾)の両方の使用シナリオをサポートし、特定のデータサブセットやスライスに対してきめ細かいモデリング戦略を必要とするため、難しい。
本稿では,最近のslice-based learning (sbl) (chen et al., 2019) の概念について考察する。
まず、末尾意図に対する弱い監督データを生成するためのラベル付け関数のセットを定義する。
次に、ベースラインモデルをスライス対応アーキテクチャに拡張し、選択したテールインテント上でのモデルパフォーマンスを監視し改善する。
商用の会話型AIシステムからのライブトラフィックの特定に応用して、スライス認識モデルは、全体的なパフォーマンスを維持しながら、テールインテントのモデルパフォーマンスを改善するのに有用であることを示す。
関連論文リスト
- A Two-Phase Recall-and-Select Framework for Fast Model Selection [13.385915962994806]
本稿では,2相モデル選択フレームワークを提案する。
これは、ベンチマークデータセット上でモデルのトレーニングパフォーマンスを活用することにより、堅牢なモデルを選択する効率を高めることを目的としている。
提案手法は,従来のベースライン法に比べて約3倍の速度でハイパフォーマンスモデルの選択を容易にすることが実証された。
論文 参考訳（メタデータ） (2024-03-28T14:44:44Z) - AIDE: An Automatic Data Engine for Object Detection in Autonomous Driving [68.73885845181242]
本稿では,問題を自動的に識別し,データを効率よくキュレートし,自動ラベル付けによりモデルを改善する自動データエンジン(AIDE)を提案する。
さらに,AVデータセットのオープンワールド検出のためのベンチマークを構築し,様々な学習パラダイムを包括的に評価し,提案手法の優れた性能を低コストで実証する。
論文 参考訳（メタデータ） (2024-03-26T04:27:56Z) - Data-efficient Large Vision Models through Sequential Autoregression [58.26179273091461]
限られたデータセットに基づいて,効率的な自己回帰に基づく視覚モデルを構築する。
このモデルは,高レベル・低レベルのセマンティック理解の両方にまたがる視覚的タスクにおいて,その習熟度をいかに達成するかを実証する。
我々の経験的評価は、モデルが様々なタスクに適応する際の機敏さを強調し、パラメータフットプリントの大幅な削減を図った。
論文 参考訳（メタデータ） (2024-02-07T13:41:53Z) - Visual Prompting Upgrades Neural Network Sparsification: A Data-Model
Perspective [67.25782152459851]
より優れた重量空間を実現するために、新しいデータモデル共設計視点を導入する。
具体的には、提案したVPNフレームワークでニューラルネットワークのスパーシフィケーションをアップグレードするために、カスタマイズされたVisual Promptが実装されている。
論文 参考訳（メタデータ） (2023-12-03T13:50:24Z) - Retrieval-Enhanced Contrastive Vision-Text Models [61.783728119255365]
そこで本研究では,メモリから取得したクロスモーダルな情報を推論時に表現することで,その埋め込みを洗練できる視覚テキストモデルを提案する。
注目すべきことに、これは凍ったCLIPの上に軽量の単層核融合トランスを用いて行うことができる。
検索強化コントラスト訓練(RECO)がCLIPの性能を大幅に向上することを示す。
論文 参考訳（メタデータ） (2023-06-12T15:52:02Z) - Knowledge Transfer For On-Device Speech Emotion Recognition with Neural
Structured Learning [19.220263739291685]
音声感情認識(SER)は、ヒューマン・コンピュータ・インタラクション(HCI)において人気のある研究トピックである。
合成グラフ構築によるニューラル構造化学習(NSL)フレームワークを提案する。
実験の結果,音声サンプルとグラフを用いた軽量SERモデルの訓練は,小さなSERモデルを生成するだけでなく,モデル性能を向上させることができることがわかった。
論文 参考訳（メタデータ） (2022-10-26T18:38:42Z) - Amazon SageMaker Model Monitor: A System for Real-Time Insights into
Deployed Machine Learning Models [15.013638492229376]
Amazon SageMaker Model Monitorはフルマネージドなサービスで、Amazon SageMakerでホストされている機械学習モデルの品質を継続的に監視します。
我々のシステムは,モデルにおけるデータ,概念,バイアス,特徴帰属ドリフトをリアルタイムで検出し,モデル所有者が正しい行動を取るように警告する。
論文 参考訳（メタデータ） (2021-11-26T18:35:38Z) - STAR: Sparse Transformer-based Action Recognition [61.490243467748314]
本研究は,空間的次元と時間的次元に細かな注意を払っている新しいスケルトンに基づく人間行動認識モデルを提案する。
実験により、トレーニング可能なパラメータをはるかに少なくし、トレーニングや推論の高速化を図りながら、モデルが同等のパフォーマンスを達成できることが示されている。
論文 参考訳（メタデータ） (2021-07-15T02:53:11Z) - Learning Transferrable Parameters for Long-tailed Sequential User
Behavior Modeling [70.64257515361972]
テールユーザに注力することで、より多くのメリットをもたらし、長いテールの問題に対処できる、と私たちは主張しています。
具体的には、頭部から尾部への知識伝達を容易にするために、勾配アライメントを提案し、敵のトレーニングスキームを採用する。
論文 参考訳（メタデータ） (2020-10-22T03:12:02Z) - Self-supervised Learning for Large-scale Item Recommendations [18.19202958502061]
大規模なレコメンデータモデルは、巨大なカタログから最も関連性の高いアイテムを見つけ出す。
コーパスには何百万から数十億ものアイテムがあり、ユーザーはごく少数のユーザーに対してフィードバックを提供する傾向にある。
大規模項目推薦のためのマルチタスク自己教師型学習フレームワークを提案する。
論文 参考訳（メタデータ） (2020-07-25T06:21:43Z)
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。