論文の概要: Learning to Learn End-to-End Goal-Oriented Dialog From Related Dialog Tasks

• arxiv url: http://arxiv.org/abs/2110.15724v1
• Date: Sun, 10 Oct 2021 15:27:45 GMT
• ステータス: 処理完了
• システム内更新日: 2021-11-07 11:39:08.633375
• Title: Learning to Learn End-to-End Goal-Oriented Dialog From Related Dialog Tasks
• Title（参考訳）: 対話課題からゴール指向の対話を学習する
• Authors: Janarthanan Rajendran, Jonathan K. Kummerfeld, Satinder Singh
• Abstract要約: 関連ダイアログタスクのデータで補足された少量のデータしか利用できないことを示す。 本稿では,関連する対話タスクデータからメタ学習を選択的に学習する手法について述べる。
• 参考スコア（独自算出の注目度）: 33.77022912718379
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: For each goal-oriented dialog task of interest, large amounts of data need to be collected for end-to-end learning of a neural dialog system. Collecting that data is a costly and time-consuming process. Instead, we show that we can use only a small amount of data, supplemented with data from a related dialog task. Naively learning from related data fails to improve performance as the related data can be inconsistent with the target task. We describe a meta-learning based method that selectively learns from the related dialog task data. Our approach leads to significant accuracy improvements in an example dialog task.
• Abstract（参考訳）: 目的指向の対話タスク毎に、ニューラルダイアログシステムのエンドツーエンド学習のために大量のデータを収集する必要がある。 データの収集はコストと時間を要するプロセスです。 代わりに、関連するダイアログタスクからのデータを補完して、少量のデータしか使用できないことを示します。 関連するデータから内在的に学習することは、対象のタスクと矛盾する可能性があるため、パフォーマンス向上に失敗する。 本稿では,関連する対話タスクデータからメタ学習を選択的に学習する手法について述べる。 このアプローチはサンプルダイアログタスクの精度を大幅に向上させる。

関連論文リスト

• Discovering Customer-Service Dialog System with Semi-Supervised Learning and Coarse-to-Fine Intent Detection [6.869753194843482]
  タスク指向ダイアログは,マルチターン会話による特定の目標達成を支援することを目的としている。 教師/学生のパラダイムに基づいた弱教師付きデータセットを構築した。 また,ユーザ意図を検出するために,モジュール型対話システムと粗粒度分類を統合した。
  論文  参考訳（メタデータ） (2022-12-23T14:36:43Z)
• CGoDial: A Large-Scale Benchmark for Chinese Goal-oriented Dialog Evaluation [75.60156479374416]
  CGoDialは、Goal指向のダイアログ評価のための、新しい挑戦的で包括的な中国のベンチマークである。 96,763のダイアログセッションと574,949のダイアログがすべて含まれており、異なる知識ソースを持つ3つのデータセットをカバーする。 学術ベンチマークと音声対話のシナリオのギャップを埋めるために、実際の会話からデータを収集したり、クラウドソーシングを通じて既存のデータセットに音声機能を追加する。
  論文  参考訳（メタデータ） (2022-11-21T16:21:41Z)
• Weakly Supervised Data Augmentation Through Prompting for Dialogue Understanding [103.94325597273316]
  本稿では,弱教師付きフィルタを適用して拡張品質を反復する手法を提案する。 我々は、デイリーダイアログにおける感情と行動の分類タスクと、Facebook Multilingual Task-Oriented Dialogueにおける意図の分類タスクについて評価した。 特にDailyDialogでは、真理データの10%を使用して、100%のデータを使用する現在の最先端モデルよりも優れています。
  論文  参考訳（メタデータ） (2022-10-25T17:01:30Z)
• SPACE-2: Tree-Structured Semi-Supervised Contrastive Pre-training for Task-Oriented Dialog Understanding [68.94808536012371]
  本稿では,限定ラベル付きダイアログと大規模未ラベルダイアログコーパスから対話表現を学習する,木構造付き事前学習会話モデルを提案する。 提案手法は,7つのデータセットと4つの一般的な対話理解タスクからなるDialoGLUEベンチマークにおいて,最新の結果が得られる。
  論文  参考訳（メタデータ） (2022-09-14T13:42:50Z)
• DialogZoo: Large-Scale Dialog-Oriented Task Learning [52.18193690394549]
  我々は,多種多様な対話課題を解くための統合基盤モデルの構築を目指している。 この目的を達成するために、73の公開データセットから、まず大規模なラベル付き対話データセットを収集する。
  論文  参考訳（メタデータ） (2022-05-25T11:17:16Z)
• KETOD: Knowledge-Enriched Task-Oriented Dialogue [77.59814785157877]
  対話システム研究における既存の研究は、主にタスク指向の対話とチャットを独立したドメインとして扱う。 本研究では,タスク指向対話と知識ベースチップチャットを一つのモデルに効果的に統合する方法について検討する。
  論文  参考訳（メタデータ） (2022-05-11T16:01:03Z)
• Reasoning in Dialog: Improving Response Generation by Context Reading Comprehension [49.92173751203827]
  マルチターンダイアログでは、発話が文の完全な形を取るとは限らない。 読み解きの質問に答えるモデルの能力を検討し、応答生成性能の向上を提案する。
  論文  参考訳（メタデータ） (2020-12-14T10:58:01Z)

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。