論文の概要: Towards Zero and Few-shot Knowledge-seeking Turn Detection in
Task-orientated Dialogue Systems
- arxiv url: http://arxiv.org/abs/2109.08820v1
- Date: Sat, 18 Sep 2021 03:33:19 GMT
- ステータス: 処理完了
- システム内更新日: 2021-09-21 17:00:17.722357
- Title: Towards Zero and Few-shot Knowledge-seeking Turn Detection in
Task-orientated Dialogue Systems
- Title(参考訳): タスク指向対話システムにおけるゼロとFew-shotの知識探索ターン検出に向けて
- Authors: Di Jin, Shuyang Gao, Seokhwan Kim, Yang Liu, Dilek Hakkani-Tur
- Abstract要約: この作業では、ドメインAPIの範囲外にあるユーザリクエストの特定に重点を置いています。
本稿では適応表現学習と密度推定に基づく新しいREDE法を提案する。
DSTC9データと新たに収集したテストセットにREDEの競合性能を示す。
- 参考スコア(独自算出の注目度): 40.74708947185302
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Most prior work on task-oriented dialogue systems is restricted to supporting
domain APIs. However, users may have requests that are out of the scope of
these APIs. This work focuses on identifying such user requests. Existing
methods for this task mainly rely on fine-tuning pre-trained models on large
annotated data. We propose a novel method, REDE, based on adaptive
representation learning and density estimation. REDE can be applied to
zero-shot cases, and quickly learns a high-performing detector with only a few
shots by updating less than 3K parameters. We demonstrate REDE's competitive
performance on DSTC9 data and our newly collected test set.
- Abstract(参考訳): タスク指向の対話システムに関するほとんどの先行作業はドメインapiのサポートに限定されている。
しかし、ユーザはこれらのAPIの範囲外にあるリクエストを持つかもしれません。
この作業は、そのようなユーザリクエストを特定することに焦点を当てます。
このタスクの既存の方法は、主に大きな注釈付きデータの微調整済みモデルに依存している。
本稿では,適応表現学習と密度推定に基づく新しい手法であるredeを提案する。
REDEはゼロショットケースに適用でき、3K未満のパラメータを更新することで、わずか数ショットで高性能な検出器を素早く学習する。
DSTC9データと新たに収集したテストセットにREDEの競合性能を示す。
関連論文リスト
- Few-Shot API Attack Anomaly Detection in a Classification-by-Retrieval Framework [9.693391036125908]
APIのセキュリティは、これまで以上に洗練され、動的でなければならない。
本稿では,FT-ANN と呼ばれる新しい数発の異常検出フレームワークを提案する。
私たちのフレームワークは、最小限の例でトレーニング可能な軽量モデルの開発を可能にします。
論文 参考訳(メタデータ) (2024-05-18T10:15:31Z) - Zero-shot Retrieval: Augmenting Pre-trained Models with Search Engines [83.65380507372483]
大規模で事前訓練されたモデルは、問題を解決するのに必要なタスク固有のデータの量を劇的に削減するが、多くの場合、ドメイン固有のニュアンスを箱から取り出すのに失敗する。
本稿では,NLPとマルチモーダル学習の最近の進歩を活用して,検索エンジン検索による事前学習モデルを強化する方法について述べる。
論文 参考訳(メタデータ) (2023-11-29T05:33:28Z) - MeaeQ: Mount Model Extraction Attacks with Efficient Queries [6.1106195466129485]
自然言語処理(NLP)におけるモデル抽出攻撃の研究
これらの問題に対処する単純で効果的な方法であるMeaeQを提案する。
MeaeQは、クエリを少なくしながら、ベースラインよりも犠牲者モデルに高い機能的類似性を実現する。
論文 参考訳(メタデータ) (2023-10-21T16:07:16Z) - Self-Prompting Large Language Models for Zero-Shot Open-Domain QA [67.08732962244301]
Open-Domain Question Answering (ODQA)は、背景文書を明示的に提供せずに質問に答えることを目的としている。
このタスクは、調整済みの検索リーダーモデルをトレーニングするデータがないゼロショット設定で顕著に困難になる。
本稿では,大規模言語モデルのパラメータに符号化された膨大な知識を明示的に活用するセルフプロンプトフレームワークを提案する。
論文 参考訳(メタデータ) (2022-12-16T18:23:43Z) - ReAct: Temporal Action Detection with Relational Queries [84.76646044604055]
本研究は,アクションクエリを備えたエンコーダ・デコーダフレームワークを用いて,時間的行動検出(TAD)の進展を図ることを目的とする。
まず,デコーダ内の関係注意機構を提案し,その関係に基づいてクエリ間の関心を誘導する。
最後に、高品質なクエリを区別するために、推論時に各アクションクエリのローカライズ品質を予測することを提案する。
論文 参考訳(メタデータ) (2022-07-14T17:46:37Z) - Incremental-DETR: Incremental Few-Shot Object Detection via
Self-Supervised Learning [60.64535309016623]
本稿では,DeTRオブジェクト検出器上での微調整および自己教師型学習によるインクリメンタル・デクリメンタル・デクリメンタル・デクリメンタル・オブジェクト検出を提案する。
まず,DeTRのクラス固有のコンポーネントを自己監督で微調整する。
さらに,DeTRのクラス固有のコンポーネントに知識蒸留を施した数発の微調整戦略を導入し,破滅的な忘れを伴わずに新しいクラスを検出するネットワークを奨励する。
論文 参考訳(メタデータ) (2022-05-09T05:08:08Z) - Dynamic Relevance Learning for Few-Shot Object Detection [6.550840743803705]
動的グラフ畳み込みネットワーク(GCN)を構築するために,すべてのサポート画像とクエリ画像上の関心領域(RoI)の関係を利用した動的関連学習モデルを提案する。
提案モデルでは,より一般化された特徴の学習の有効性を示す総合的な性能が得られた。
論文 参考訳(メタデータ) (2021-08-04T18:29:42Z) - Can I Be of Further Assistance? Using Unstructured Knowledge Access to
Improve Task-oriented Conversational Modeling [39.60614611655266]
この研究は、外部の非構造化の知識ソースを組み込むことによって、APIをカバーしていないユーザターンに応答することに焦点を当てている。
最初の2つのステップで新たなデータ拡張手法を導入し、対話コンテキストから抽出した情報を使用することで、知識選択とエンドツーエンドのパフォーマンスが向上することを示す。
論文 参考訳(メタデータ) (2021-06-16T23:31:42Z) - Generalized Few-Shot Object Detection without Forgetting [17.719042946397487]
本稿では,単純だが有効であるR-CNN(Retentive R-CNN)を提案する。
Bias-Balanced RPN は、事前訓練された RPN と Re-detector からなり、過去の知識を忘れずに、ほとんどショットのクラスオブジェクトを見つける。
我々のアプローチは、長年望まれていなかった学習者がオブジェクト検出で利用できることを示した。
論文 参考訳(メタデータ) (2021-05-20T03:25:29Z) - Few-shot Weakly-Supervised Object Detection via Directional Statistics [55.97230224399744]
少数ショットコモンオブジェクトローカライゼーション(COL)と少数ショット弱監視オブジェクト検出(WSOD)のための確率論的多重インスタンス学習手法を提案する。
本モデルでは,新しいオブジェクトの分布を同時に学習し,期待-最大化ステップにより局所化する。
提案手法は, 単純であるにもかかわらず, 少数のCOLとWSOD, 大規模WSODタスクにおいて, 高いベースラインを達成できることを示す。
論文 参考訳(メタデータ) (2021-03-25T22:34:16Z)
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。