論文の概要: A Joint and Domain-Adaptive Approach to Spoken Language Understanding

• arxiv url: http://arxiv.org/abs/2107.11768v1
• Date: Sun, 25 Jul 2021 09:38:42 GMT
• ステータス: 処理完了
• システム内更新日: 2021-07-28 02:31:36.436758
• Title: A Joint and Domain-Adaptive Approach to Spoken Language Understanding
• Title（参考訳）: 音声言語理解のための統合的・ドメイン適応的アプローチ
• Authors: Linhao Zhang, Yu Shi, Linjun Shou, Ming Gong, Houfeng Wang, Michael Zeng
• Abstract要約: Spoken Language Understanding (SLU)は、インテント検出(ID)とスロットフィリング(SF)の2つのサブタスクで構成されている。 1つはこれらの2つのサブタスクに共同で取り組み、予測精度を改善し、もう1つはサブタスクの1つのドメイン適応能力に焦点を当てる。 本稿では,SLUに対する結合型および領域適応型アプローチを提案する。
• 参考スコア（独自算出の注目度）: 30.164751046395573
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Spoken Language Understanding (SLU) is composed of two subtasks: intent detection (ID) and slot filling (SF). There are two lines of research on SLU. One jointly tackles these two subtasks to improve their prediction accuracy, and the other focuses on the domain-adaptation ability of one of the subtasks. In this paper, we attempt to bridge these two lines of research and propose a joint and domain adaptive approach to SLU. We formulate SLU as a constrained generation task and utilize a dynamic vocabulary based on domain-specific ontology. We conduct experiments on the ASMixed and MTOD datasets and achieve competitive performance with previous state-of-the-art joint models. Besides, results show that our joint model can be effectively adapted to a new domain.
• Abstract（参考訳）: Spoken Language Understanding (SLU)は、インテント検出(ID)とスロットフィリング(SF)の2つのサブタスクで構成されている。 SLUには2つの研究線がある。 1つはこれら2つのサブタスクに共同で取り組み、予測精度を向上させ、もう1つはサブタスクのドメイン適応能力に焦点を当てている。 本稿では,これら2つの研究ラインを橋渡しし,SLUに対する共同およびドメイン適応アプローチを提案する。 制約付き生成タスクとしてSLUを定式化し、ドメイン固有オントロジーに基づく動的語彙を利用する。 ASMixed と MTOD のデータセット上で実験を行い、従来の最先端関節モデルと競合する性能を実現する。 また,共同モデルが新しい領域に効果的に適応できることを示した。

関連論文リスト

• Towards Spoken Language Understanding via Multi-level Multi-grained Contrastive Learning [50.1035273069458]
  音声言語理解(SLU)はタスク指向対話システムにおける中核的なタスクである。 本稿では,発話レベル,スロットレベル,単語レベルを含む3段階のコントラスト学習を実現するためのマルチレベルMMCLフレームワークを提案する。 本フレームワークは,2つの公開マルチインテリジェントSLUデータセットに対して,最先端の新たな結果を実現する。
  論文  参考訳（メタデータ） (2024-05-31T14:34:23Z)
• HIT-SCIR at MMNLU-22: Consistency Regularization for Multilingual Spoken Language Understanding [56.756090143062536]
  本稿では,ハイブリッドデータ拡張戦略に基づく一貫性の正則化を提案する。 フルデータセットとゼロショット設定の両方で、MASSIVEデータセット上で実験を行う。 提案手法はインテント検出とスロット充足の両方の性能を向上させる。
  論文  参考訳（メタデータ） (2023-01-05T11:21:15Z)
• Tackling Long-Tailed Category Distribution Under Domain Shifts [50.21255304847395]
  既存のアプローチでは、両方の問題が存在するシナリオに対処できません。 本研究では,分散校正型分類損失,視覚意味マッピング,セマンティック類似性誘導拡張の3つの新しい機能ブロックを設計した。 AWA2-LTSとImageNet-LTSという2つの新しいデータセットが提案された。
  論文  参考訳（メタデータ） (2022-07-20T19:07:46Z)
• Source-Free Open Compound Domain Adaptation in Semantic Segmentation [99.82890571842603]
  SF-OCDAでは、ターゲットモデルを学習するために、ソース事前訓練されたモデルとターゲットデータのみが利用可能である。 そこで我々は,Cross-Patch Style Swap (CPSS)を提案する。 提案手法は,C-Drivingデータセット上で最先端の結果を生成する。
  論文  参考訳（メタデータ） (2021-06-07T08:38:41Z)
• A Survey on Spoken Language Understanding: Recent Advances and New Frontiers [35.59678070422133]
  音声言語理解(SLU)は、ユーザクエリのセマンティクスフレームの抽出を目的とする。 深層ニューラルネットワークの破裂と事前訓練された言語モデルの進化により、SLUの研究は大きなブレークスルーを得た。
  論文  参考訳（メタデータ） (2021-03-04T15:22:00Z)
• Meta learning to classify intent and slot labels with noisy few shot examples [11.835266162072486]
  音声言語理解(SLU)モデルは、データハングリーで悪名高い。 SLUは目的分類(IC)とスロットラベリング(SL)の2つのコア問題から構成される。 本稿では,従来の微調整ベースラインとメタラーニング手法であるモデル非依存メタラーニング(MAML)を,ICの精度とSL F1の精度で一貫した性能で向上することを示す。
  論文  参考訳（メタデータ） (2020-11-30T18:53:30Z)
• A Co-Interactive Transformer for Joint Slot Filling and Intent Detection [61.109486326954205]
  音声言語理解システム(SLU)を構築する上では,インテント検出とスロットフィリングが主要な2つのタスクである。 以前の研究では、2つのタスクを個別にモデル化するか、インテントからスロットへの単一の情報フローのみを考慮していた。 本稿では,2つのタスク間の相互影響を同時に検討するコ・インターアクティブ・トランスフォーマーを提案する。
  論文  参考訳（メタデータ） (2020-10-08T10:16:52Z)
• SPLAT: Speech-Language Joint Pre-Training for Spoken Language Understanding [61.02342238771685]
  音声理解には、入力音響信号を解析してその言語内容を理解し、予測するモデルが必要である。 大規模無注釈音声やテキストからリッチな表現を学習するために,様々な事前学習手法が提案されている。 音声と言語モジュールを協調的に事前学習するための,新しい半教師付き学習フレームワークであるSPLATを提案する。
  論文  参考訳（メタデータ） (2020-10-05T19:29:49Z)
• Dual Learning for Semi-Supervised Natural Language Understanding [29.692288627633374]
  自然言語理解(NLU)は、文を構造化意味形式に変換する。 NLU, semantic-to-sentence generation (SSG) の2つのタスクを導入する。 本稿では,対応する2つのモデルを用いた半教師付きNLUのための新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2020-04-26T07:17:48Z)

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。