Fugu-MT 論文翻訳(概要): Energy-based Unknown Intent Detection with Data Manipulation

論文の概要: Energy-based Unknown Intent Detection with Data Manipulation

arxiv url: http://arxiv.org/abs/2107.12542v1
Date: Tue, 27 Jul 2021 01:32:23 GMT
ステータス: 処理完了
システム内更新日: 2021-07-29 02:23:25.814608
Title: Energy-based Unknown Intent Detection with Data Manipulation
Title（参考訳）: データ操作によるエネルギーベース未知物体検出
Authors: Yawen Ouyang, Jiasheng Ye, Yu Chen, Xinyu Dai, Shujian Huang, Jiajun Chen
Abstract要約: 未知の意図検出は、トレーニングセットに意図が現れていない配布外発話を特定することを目的としている。本稿では,エネルギースコアが入力の密度と理論的に一致していることから,このタスクにエネルギースコアを用いることを提案する。
参考スコア（独自算出の注目度）: 48.76465739088016
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Unknown intent detection aims to identify the out-of-distribution (OOD) utterance whose intent has never appeared in the training set. In this paper, we propose using energy scores for this task as the energy score is theoretically aligned with the density of the input and can be derived from any classifier. However, high-quality OOD utterances are required during the training stage in order to shape the energy gap between OOD and in-distribution (IND), and these utterances are difficult to collect in practice. To tackle this problem, we propose a data manipulation framework to Generate high-quality OOD utterances with importance weighTs (GOT). Experimental results show that the energy-based detector fine-tuned by GOT can achieve state-of-the-art results on two benchmark datasets.
Abstract（参考訳）: 未知の意図検出は、トレーニングセットに意図が決して現れないOOD(out-of-distriion)発話を特定することを目的としている。本稿では,エネルギースコアが入力の密度と理論的に一致し,任意の分類器から導出できるため,このタスクにエネルギースコアを用いることを提案する。しかし、OODとIn-distriion(IND)のエネルギーギャップを形成するためには、訓練段階では高品質なOOD発話が必要であり、これらの発話を実際に収集することは困難である。そこで本研究では,高品質なOOD発話を重み付け(GOT)で生成するデータ操作フレームワークを提案する。実験結果から, GOTにより微調整されたエネルギーベース検出器は, 2つのベンチマークデータセットに対して最先端の結果が得られることがわかった。

関連論文リスト

Exploring Energy-Based Models for Out-of-Distribution Detection in Dialect Identification [11.437264025117083]
本研究は, 方言のOOD検出に特化して, 新たなマージン強化ジョイントエネルギーモデル(MEJEM)を提案する。生成モデルとエネルギーマージン損失を統合することにより,方言識別システムの堅牢性を高めることを目的とする。
論文参考訳（メタデータ） (2024-06-26T04:52:48Z)
Multi-Label Out-of-Distribution Detection with Spectral Normalized Joint Energy [14.149428145967939]
本稿では,複数のラベルにまたがるラベル固有情報の統合手法であるスペクトル正規化結合エネルギー(SNoJoE)を紹介する。以上の結果から, スペクトル正規化を結合エネルギースコアに適用することにより, OOD検出能力が向上することが示唆された。
論文参考訳（メタデータ） (2024-05-08T02:05:38Z)
Using Semantic Information for Defining and Detecting OOD Inputs [3.9577682622066264]
アウト・オブ・ディストリビューション(OOD)検出は近年注目されている。現在の検出器がトレーニングデータセットのバイアスを継承していることを示します。これにより、現在のOOD検出器はトレーニング分布の外にある入力に不透過であり、同じ意味情報を持つことができる。我々は,MNISTおよびCOCOデータセットのトレーニングデータから抽出した意味情報に基づいてOOD検出を行う。
論文参考訳（メタデータ） (2023-02-21T21:31:20Z)
Unsupervised Evaluation of Out-of-distribution Detection: A Data-centric Perspective [55.45202687256175]
アウト・オブ・ディストリビューション(OOD)検出法は、個々のテストサンプルがイン・ディストリビューション(IND)なのかOODなのかという、試験対象の真実を持っていると仮定する。本稿では,OOD検出における教師なし評価問題を初めて紹介する。我々は,OOD検出性能の教師なし指標としてGscoreを計算する3つの方法を提案する。
論文参考訳（メタデータ） (2023-02-16T13:34:35Z)
Energy-based Out-of-Distribution Detection for Graph Neural Networks [76.0242218180483]
我々は,GNNSafeと呼ばれるグラフ上での学習のための,シンプルで強力で効率的なOOD検出モデルを提案する。 GNNSafeは、最先端技術に対するAUROCの改善を最大17.0%で達成しており、そのような未開発領域では単純だが強力なベースラインとして機能する可能性がある。
論文参考訳（メタデータ） (2023-02-06T16:38:43Z)
Master's Thesis: Out-of-distribution Detection with Energy-based Models [0.0]
ディープラーニングは、自律運転や医療診断などのセキュリティ上重要な状況にますます適用されている。研究者たちは先日、ニューラルネットワークがこれまで見たことのないデータであっても、予測に過度に自信を持っていることを発見しました。本稿では,トレーニングデータ分布の整合化作業におけるEMMの能力について検討し,アウト・オブ・ディストリビューション(OOD)入力の検出を行う。
論文参考訳（メタデータ） (2023-01-28T15:40:30Z)
GOOD-D: On Unsupervised Graph Out-Of-Distribution Detection [67.90365841083951]
我々は,OODグラフを検出するための新しいグラフコントラスト学習フレームワークGOOD-Dを開発した。 GOOD-Dは、潜在IDパターンをキャプチャし、異なる粒度のセマンティック不整合に基づいてOODグラフを正確に検出することができる。教師なしグラフレベルのOOD検出における先駆的な研究として,提案手法と最先端手法を比較した総合的なベンチマークを構築した。
論文参考訳（メタデータ） (2022-11-08T12:41:58Z)
Disentangling Confidence Score Distribution for Out-of-Domain Intent Detection with Energy-Based Learning [40.96874034407684]
我々は,OODサンプルのエネルギースコアがINDサンプルよりも高いOODを検出するための,シンプルだが強力なエネルギーベーススコア関数を提案する。本手法の総合実験と解析は,INDおよびOODデータの信頼度分布のアンタングル化に有効であることを示す。
論文参考訳（メタデータ） (2022-10-17T08:19:01Z)
Breaking Down Out-of-Distribution Detection: Many Methods Based on OOD Training Data Estimate a Combination of the Same Core Quantities [104.02531442035483]
本研究の目的は,OOD検出手法の暗黙的なスコアリング機能を識別すると同時に,共通の目的を認識することである。内分布と外分布の2値差はOOD検出問題のいくつかの異なる定式化と等価であることを示す。また, 外乱露光で使用される信頼損失は, 理論上最適のスコアリング関数と非自明な方法で異なる暗黙的なスコアリング関数を持つことを示した。
論文参考訳（メタデータ） (2022-06-20T16:32:49Z)
Provably Robust Detection of Out-of-distribution Data (almost) for free [124.14121487542613]
ディープニューラルネットワークは、アウト・オブ・ディストリビューション(OOD)データに対する高い過度な予測を生成することが知られている。本稿では,認証可能なOOD検出器を標準分類器と組み合わせてOOD認識分類器を提案する。このようにして、我々は2つの世界のベストを達成している。OOD検出は、分布内に近いOODサンプルであっても、予測精度を損なうことなく、非操作型OODデータに対する最先端のOOD検出性能に近接する。
論文参考訳（メタデータ） (2021-06-08T11:40:49Z)

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。