論文の概要: GL-GIN: Fast and Accurate Non-Autoregressive Model for Joint Multiple Intent Detection and Slot Filling

• arxiv url: http://arxiv.org/abs/2106.01925v1
• Date: Thu, 3 Jun 2021 15:22:38 GMT
• ステータス: 処理完了
• システム内更新日: 2021-06-04 18:24:26.342824
• Title: GL-GIN: Fast and Accurate Non-Autoregressive Model for Joint Multiple Intent Detection and Slot Filling
• Title（参考訳）: GL-GIN:複数入射検出とスロットフィリングのための高速かつ高精度な非自己回帰モデル
• Authors: Libo Qin, Fuxuan Wei, Tianbao Xie, Xiao Xu, Wanxiang Che, Ting Liu
• Abstract要約: マルチインテントSLUは、発話中に複数のインテントを処理できるため、注目を集めている。 本稿では,複数方向検出とスロット充填のための非自己回帰モデルについて検討する。 我々のフレームワークは11.5倍高速で最先端のパフォーマンスを実現しています。
• 参考スコア（独自算出の注目度）: 31.833158491112005
• License: http://creativecommons.org/publicdomain/zero/1.0/
• Abstract: Multi-intent SLU can handle multiple intents in an utterance, which has attracted increasing attention. However, the state-of-the-art joint models heavily rely on autoregressive approaches, resulting in two issues: slow inference speed and information leakage. In this paper, we explore a non-autoregressive model for joint multiple intent detection and slot filling, achieving more fast and accurate. Specifically, we propose a Global-Locally Graph Interaction Network (GL-GIN) where a local slot-aware graph interaction layer is proposed to model slot dependency for alleviating uncoordinated slots problem while a global intent-slot graph interaction layer is introduced to model the interaction between multiple intents and all slots in the utterance. Experimental results on two public datasets show that our framework achieves state-of-the-art performance while being 11.5 times faster.
• Abstract（参考訳）: マルチインテントsluは発話中の複数の意図を処理できるため、注目を集めている。 しかし、最先端のジョイントモデルは自動回帰アプローチに大きく依存しており、推論速度の低下と情報漏洩という2つの問題を引き起こしている。 本稿では,マルチインテント検出とスロット充填のための非自己回帰モデルについて検討し,より高速かつ高精度に実現する。 具体的には、局所的なスロット対応グラフ相互作用層が非協調的なスロット問題を緩和するためのスロット依存性をモデル化し、グローバルなインテント-スロットグラフ相互作用層が複数の意図と発話中の全てのスロット間の相互作用をモデル化するGL-GIN(Global-Locally Graph Interaction Network)を提案する。 2つの公開データセットによる実験結果から,我々のフレームワークは11.5倍高速で最先端のパフォーマンスを実現していることがわかった。

関連論文リスト

• MISCA: A Joint Model for Multiple Intent Detection and Slot Filling with Intent-Slot Co-Attention [9.414164374919029]
  グラフに基づくジョイントモデルである最近の高度なアプローチは、まだ2つの潜在的な問題に直面している。 我々はMISCAというジョイントモデルを提案する。 我々のMISCAは、意図-スロットのコアテンション機構とラベルアテンション機構の基盤層を導入している。
  論文  参考訳（メタデータ） (2023-12-10T03:38:41Z)
• Co-guiding for Multi-intent Spoken Language Understanding [53.30511968323911]
  本稿では,2つのタスク間の相互指導を実現するための2段階のフレームワークを実装した,コガイドネットと呼ばれる新しいモデルを提案する。 第1段階では,単一タスクによる教師付きコントラスト学習を提案し,第2段階ではコガイドによる教師付きコントラスト学習を提案する。 マルチインテリジェントSLU実験の結果,我々のモデルは既存のモデルよりも大きなマージンで優れていることがわかった。
  論文  参考訳（メタデータ） (2023-11-22T08:06:22Z)
• Local-Global Information Interaction Debiasing for Dynamic Scene Graph Generation [51.92419880088668]
  マルチタスク学習に基づく新しいDynSGGモデルDynSGG-MTLを提案する。 長期的人間の行動は、大域的な制約に適合する複数のシーングラフを生成するためにモデルを監督し、尾の述語を学べないモデルを避ける。
  論文  参考訳（メタデータ） (2023-08-10T01:24:25Z)
• A Dynamic Graph Interactive Framework with Label-Semantic Injection for Spoken Language Understanding [43.48113981442722]
  本稿では,まずラベルのセマンティック情報を利用して,モデルに付加的な信号を与え,よりリッチな事前情報を与える,DGIFというフレームワークを提案する。 本稿では,ラベルセマンティクスの注入に基づく対話型グラフ構築手法を提案する。
  論文  参考訳（メタデータ） (2022-11-08T05:57:46Z)
• Representing Videos as Discriminative Sub-graphs for Action Recognition [165.54738402505194]
  ビデオ中の各アクションの識別パターンを表現およびエンコードするためのサブグラフの新たな設計を提案する。 時空グラフとクラスタを各スケールでコンパクトなサブグラフに新たに構築するMUlti-scale Sub-Earn Ling (MUSLE) フレームワークを提案する。
  論文  参考訳（メタデータ） (2022-01-11T16:15:25Z)
• Joint Intent Detection and Slot Filling with Wheel-Graph Attention Networks [6.939768185086755]
  本稿では,車輪グラフ注意ネットワーク(Wheel-GAT)を用いた新しいジョイントモデルを提案する。 発話のためのグラフ構造を構築するために、意図ノード、スロットノード、有向エッジを作成する。
  論文  参考訳（メタデータ） (2021-02-09T02:37:56Z)
• SlotRefine: A Fast Non-Autoregressive Model for Joint Intent Detection and Slot Filling [22.6796529031142]
  スロットフィリングとインテント検出は、音声言語理解(SLU)システムにおける2つの主要なタスクである。 本稿では,SlotRefineという非自己回帰モデルを提案する。
  論文  参考訳（メタデータ） (2020-10-06T13:16:53Z)
• Jointly Cross- and Self-Modal Graph Attention Network for Query-Based Moment Localization [77.21951145754065]
  本稿では,共同グラフを渡る反復的メッセージのプロセスとして,このタスクをリキャストするクロスモーダルグラフ注意ネットワーク(CSMGAN)を提案する。 CSMGANは2つのモード間の高次相互作用を効果的に捉えることができ、より正確な局所化を可能にします。
  論文  参考訳（メタデータ） (2020-08-04T08:25:24Z)
• Disentangled Graph Collaborative Filtering [100.26835145396782]
  Disentangled Graph Collaborative Filtering (DGCF)は、インタラクションデータからユーザとアイテムの情報表現を学ぶための新しいモデルである。 ユーザ・イテムのインタラクション毎に意図を超越した分布をモデル化することにより、インテント・アウェアなインタラクショングラフと表現を反復的に洗練する。 DGCFはNGCF、DisenGCN、MacridVAEといった最先端モデルよりも大幅に改善されている。
  論文  参考訳（メタデータ） (2020-07-03T15:37:25Z)
• AGIF: An Adaptive Graph-Interactive Framework for Joint Multiple Intent Detection and Slot Filling [69.59096090788125]
  本稿では,多目的検出とスロットフィリングを併用する適応グラフ対話フレームワーク(AGIF)を提案する。 スロットとインテントの強い相関関係をモデル化するために,インテント-スロットグラフ相互作用層を導入する。 このような相互作用層が各トークンに適応的に適用され、関連する意図情報を自動抽出する利点がある。
  論文  参考訳（メタデータ） (2020-04-21T15:07:34Z)

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。