論文の概要: Training Conversational Agents with Generative Conversational Networks

• arxiv url: http://arxiv.org/abs/2110.08383v1
• Date: Fri, 15 Oct 2021 21:46:39 GMT
• ステータス: 処理完了
• システム内更新日: 2021-10-19 15:46:42.088490
• Title: Training Conversational Agents with Generative Conversational Networks
• Title（参考訳）: 生成型会話ネットワークを用いた会話エージェントの訓練
• Authors: Yen-Ting Lin, Alexandros Papangelis, Seokhwan Kim, Dilek Hakkani-Tur
• Abstract要約: 我々は、生成会話ネットワークを使用して、自動的にデータを生成し、社会的会話エージェントを訓練する。 自動メトリクスと人的評価器を用いてTopicalChatのアプローチを評価し、10%のシードデータで100%のデータを使用するベースラインに近いパフォーマンスを示す。
• 参考スコア（独自算出の注目度）: 74.9941330874663
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Rich, open-domain textual data available on the web resulted in great advancements for language processing. However, while that data may be suitable for language processing tasks, they are mostly non-conversational, lacking many phenomena that appear in human interactions and this is one of the reasons why we still have many unsolved challenges in conversational AI. In this work, we attempt to address this by using Generative Conversational Networks to automatically generate data and train social conversational agents. We evaluate our approach on TopicalChat with automatic metrics and human evaluators, showing that with 10% of seed data it performs close to the baseline that uses 100% of the data.
• Abstract（参考訳）: webで利用可能なリッチでオープンドメインなテキストデータは、言語処理の大きな進歩をもたらした。 しかし、そのデータは言語処理タスクに適しているかもしれないが、それらはほとんど会話的ではなく、人間のインタラクションに現れる多くの現象を欠いている。 本研究では、生成会話ネットワークを用いて、データの自動生成とソーシャル対話エージェントの訓練を行う。 自動メトリクスと人的評価器を用いてTopicalChatのアプローチを評価し、10%のシードデータで100%のデータを使用するベースラインに近いパフォーマンスを示す。

関連論文リスト

• Interactive Dialogue Agents via Reinforcement Learning on Hindsight Regenerations [58.65755268815283]
  多くの実際の対話は対話的であり、つまりエージェントの発話が会話の相手に影響を与えるか、情報を引き出すか、意見を変えるかである。 この事実を利用して、既存の最適データを書き直し、拡張し、オフライン強化学習(RL)を介してトレーニングする。 実際の人間によるユーザ調査の結果、我々のアプローチは既存の最先端の対話エージェントを大きく上回っていることがわかった。
  論文  参考訳（メタデータ） (2024-11-07T21:37:51Z)
• Topical-Chat: Towards Knowledge-Grounded Open-Domain Conversations [8.03111197961603]
  人工知能(AI)の壮大な課題の1つは、人間との深いオープンドメインの会話ができるソーシャルボットを作ることである。 知識に基づく人間と人間の会話データセットであるTopical-Chatを紹介した。 また、Topical-Chat上で、最先端のエンコーダ・デコーダ対話モデルをいくつかトレーニングし、ベンチマークの自動化と人的評価を行う。
  論文  参考訳（メタデータ） (2023-08-23T08:33:14Z)
• AutoConv: Automatically Generating Information-seeking Conversations with Large Language Models [74.10293412011455]
  合成会話生成のためのAutoConvを提案する。 具体的には,会話生成問題を言語モデリングタスクとして定式化する。 我々は、情報探索プロセスの特徴を捉えるために、人間同士の会話でLLMを微調整する。
  論文  参考訳（メタデータ） (2023-08-12T08:52:40Z)
• PLACES: Prompting Language Models for Social Conversation Synthesis [103.94325597273316]
  我々は、プロンプトを用いてソーシャルな会話データセットを合成するために、専門家による会話の小さなセットをコンテキスト内例として使用します。 人工会話の徹底的な評価を,人間による会話と比較して行った。
  論文  参考訳（メタデータ） (2023-02-07T05:48:16Z)
• Dynamic Planning in Open-Ended Dialogue using Reinforcement Learning [35.67318830455459]
  我々は、強化学習(RL)を用いて、ロボットの対話能力を大規模に活用するリアルタイムかつオープンな対話システムを開発した。 我々の作業は、動的行動空間に特に適するRL技術とSOTA言語モデルを用いて生成された会話状態の簡潔な埋め込みをペアリングする。
  論文  参考訳（メタデータ） (2022-07-25T16:12:33Z)
• Knowledge-Grounded Conversational Data Augmentation with Generative Conversational Networks [76.11480953550013]
  生成会話ネットワークを用いて会話データを自動的に生成する。 我々は、Topical Chatデータセット上で、知識のない会話に対するアプローチを評価した。
  論文  参考訳（メタデータ） (2022-07-22T22:37:14Z)
• Generative Conversational Networks [67.13144697969501]
  本稿では,対話エージェントが独自のラベル付き学習データを生成することを学習する,生成会話ネットワーク(Generative Conversational Networks)というフレームワークを提案する。 そこで本研究では,シードデータから学習したベースラインモデルに対して,意図検出が平均35%,スロットタグが平均21%向上したことを示す。
  論文  参考訳（メタデータ） (2021-06-15T23:19:37Z)
• Summary Grounded Conversation Generation [10.470157142861174]
  入力として会話の要約だけを考えると、事前学習された言語モデルがどのように会話全体を生成できるかを示す。 また,会話要約データセットを生成された会話で拡張することにより,会話要約の精度を向上させることができることを示す。
  論文  参考訳（メタデータ） (2021-06-07T04:46:31Z)

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。