論文の概要: An Adversarial Learning based Multi-Step Spoken Language Understanding
System through Human-Computer Interaction
- arxiv url: http://arxiv.org/abs/2106.14611v1
- Date: Sun, 6 Jun 2021 03:46:53 GMT
- ステータス: 処理完了
- システム内更新日: 2021-07-04 19:38:46.623460
- Title: An Adversarial Learning based Multi-Step Spoken Language Understanding
System through Human-Computer Interaction
- Title（参考訳）: 人-コンピュータインタラクションによる対話型多段階音声言語理解システム
- Authors: Yu Wang, Yilin Shen, Hongxia Jin
- Abstract要約: 対戦型学習に基づく多段階音声言語理解システムを提案する。
我々は,F1の観点で解析性能を少なくとも2.5%向上させることを実証した。
- 参考スコア（独自算出の注目度）: 70.25183730482915
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Most of the existing spoken language understanding systems can perform only
semantic frame parsing based on a single-round user query. They cannot take
users' feedback to update/add/remove slot values through multiround
interactions with users. In this paper, we introduce a novel multi-step spoken
language understanding system based on adversarial learning that can leverage
the multiround user's feedback to update slot values. We perform two
experiments on the benchmark ATIS dataset and demonstrate that the new system
can improve parsing performance by at least $2.5\%$ in terms of F1, with only
one round of feedback. The improvement becomes even larger when the number of
feedback rounds increases. Furthermore, we also compare the new system with
state-of-the-art dialogue state tracking systems and demonstrate that the new
interactive system can perform better on multiround spoken language
understanding tasks in terms of slot- and sentence-level accuracy.
- Abstract（参考訳）: 既存の音声言語理解システムの多くは、単一ラウンドのユーザクエリに基づいてセマンティックフレーム解析のみを実行することができる。
ユーザとのマルチラウンドインタラクションを通じて、スロット値の更新/追加/削除にユーザのフィードバックを取ることはできない。
本稿では,マルチラウンドユーザのフィードバックを利用してスロット値の更新を行う,逆学習に基づく新しい多段階音声言語理解システムを提案する。
ベンチマークatisデータセットで2つの実験を行い、新しいシステムは1ラウンドのフィードバックだけで、f1の観点で少なくとも$2.5\%$でパース性能を向上させることができることを実証した。
フィードバックのラウンド数が増加すると、改善はさらに大きくなる。
さらに,本システムと最先端の対話状態追跡システムを比較し,スロットレベルと文レベルの精度で多言語言語理解タスクにおいて,対話型システムがより優れていることを示す。
関連論文リスト
- Ruffle&Riley: Insights from Designing and Evaluating a Large Language Model-Based Conversational Tutoring System [21.139850269835858]
会話学習システム(CTS)は、自然言語に基づく対話を通じて学習体験を提供する。
大規模言語モデル(LLM)の最近の進歩を2つの方法で活用する新しいタイプのCTSについて検討・評価する。
このシステムは、授業テキストから容易に編集可能な教育用スクリプトを自動生成することにより、AI支援コンテンツオーサリングを可能にする。
論文 参考訳（メタデータ） (2024-04-26T14:57:55Z) - Ruffle&Riley: Towards the Automated Induction of Conversational Tutoring
Systems [23.093767743306973]
会話学習システム(CTS)は、自然言語の相互作用によって駆動される学習体験を提供する。
大規模言語モデル(LLM)の最近の進歩を2つの方法で活用する新しいタイプのCTSを提案する。
Ruffle&Riley は ITS の典型的な内ループ構造と外ループ構造に従う自由形式の会話を可能にする。
論文 参考訳（メタデータ） (2023-09-26T23:27:06Z) - FCC: Fusing Conversation History and Candidate Provenance for Contextual
Response Ranking in Dialogue Systems [53.89014188309486]
複数のチャネルからコンテキスト情報を統合できるフレキシブルなニューラルネットワークフレームワークを提案する。
会話応答ランキングタスクの評価に広く用いられているMSDialogデータセット上で,本モデルの評価を行った。
論文 参考訳（メタデータ） (2023-03-31T23:58:28Z) - XDBERT: Distilling Visual Information to BERT from Cross-Modal Systems
to Improve Language Understanding [73.24847320536813]
本研究では,事前学習したマルチモーダル変換器から事前学習した言語エンコーダへの視覚情報の蒸留について検討する。
我々のフレームワークは,NLUの言語重み特性に適応するために学習目標を変更する一方で,視覚言語タスクにおけるクロスモーダルエンコーダの成功にインスパイアされている。
論文 参考訳（メタデータ） (2022-04-15T03:44:00Z) - MeetDot: Videoconferencing with Live Translation Captions [18.60812558978417]
本稿では,ビデオ会議システムであるMeetDotについて紹介する。
本システムでは、4言語での音声とキャプションをサポートし、自動音声認識(ASR)と機械翻訳(MT)をカスケードで組み合わせる。
我々は,スムーズなスクロールキャプションやキャプションフリックの削減など,ユーザエクスペリエンスの向上と認知負荷の低減のために,いくつかの機能を実装した。
論文 参考訳（メタデータ） (2021-09-20T14:34:14Z) - Improving Conversational Question Answering Systems after Deployment
using Feedback-Weighted Learning [69.42679922160684]
本稿では,二元的ユーザフィードバックを用いた初期教師付きシステムを改善するために,重要サンプリングに基づくフィードバック重み付き学習を提案する。
当社の作業は,実際のユーザとのインタラクションを活用し,デプロイ後の会話システムを改善する可能性を開くものだ。
論文 参考訳（メタデータ） (2020-11-01T19:50:34Z) - Learning Adaptive Language Interfaces through Decomposition [89.21937539950966]
本稿では,分解による新しいハイレベルな抽象化を学習するニューラルセマンティック解析システムを提案する。
ユーザは、新しい振る舞いを記述する高レベルな発話を低レベルなステップに分解することで、対話的にシステムを教える。
論文 参考訳（メタデータ） (2020-10-11T08:27:07Z) - MinTL: Minimalist Transfer Learning for Task-Oriented Dialogue Systems [75.43457658815943]
タスク指向対話システムのシステム設計プロセスを簡単にするミニマリスト変換学習(MinTL)を提案する。
MinTLはシンプルだが効果的な転送学習フレームワークであり、事前訓練されたSeq2seqモデルのプラグインと再生を可能にする。
トレーニング済みの2つのバックボーン(T5とBART)で学習フレームワークをインスタンス化し、MultiWOZで評価する。
論文 参考訳（メタデータ） (2020-09-25T02:19:13Z)
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。