論文の概要: A Semi-Supervised Learning Approach with Two Teachers to Improve Breakdown Identification in Dialogues

• arxiv url: http://arxiv.org/abs/2202.10948v1
• Date: Tue, 22 Feb 2022 14:39:51 GMT
• ステータス: 処理完了
• システム内更新日: 2022-02-23 15:37:31.721060
• Title: A Semi-Supervised Learning Approach with Two Teachers to Improve Breakdown Identification in Dialogues
• Title（参考訳）: 対話におけるブレークダウン識別を改善するための教師2名による半教師学習アプローチ
• Authors: Qian Lin, Hwee Tou Ng
• Abstract要約: そこで我々は,この課題に対処するために,教師・教師・学生を対象とした新しい学習フレームワークを提案する。 本稿では,ラベル付きデータと乱ラベル付きデータで学習した教師を2名紹介する。 我々は、未ラベルデータを活用して、未ラベルデータのラベル付けを洗練させるために2人の教師を雇う学生教育における分類を改善する。
• 参考スコア（独自算出の注目度）: 25.499578161686355
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Identifying breakdowns in ongoing dialogues helps to improve communication effectiveness. Most prior work on this topic relies on human annotated data and data augmentation to learn a classification model. While quality labeled dialogue data requires human annotation and is usually expensive to obtain, unlabeled data is easier to collect from various sources. In this paper, we propose a novel semi-supervised teacher-student learning framework to tackle this task. We introduce two teachers which are trained on labeled data and perturbed labeled data respectively. We leverage unlabeled data to improve classification in student training where we employ two teachers to refine the labeling of unlabeled data through teacher-student learning in a bootstrapping manner. Through our proposed training approach, the student can achieve improvements over single-teacher performance. Experimental results on the Dialogue Breakdown Detection Challenge dataset DBDC5 and Learning to Identify Follow-Up Questions dataset LIF show that our approach outperforms all previous published approaches as well as other supervised and semi-supervised baseline methods.
• Abstract（参考訳）: 進行中の対話におけるブレークダウンの特定は、コミュニケーション効率を改善するのに役立ちます。 このトピックに関するほとんどの先行研究は、分類モデルを学ぶために人間の注釈付きデータとデータ拡張に依存している。 品質ラベル付き対話データには人間のアノテーションが必要であり、通常は入手に費用がかかるが、ラベルなしデータは様々な情報源から収集しやすい。 本稿では,この課題に対処するための,教師・生徒の半教師型学習フレームワークを提案する。 本稿では,ラベル付きデータと乱ラベル付きデータで学習した教師を2名紹介する。 そこで,教師が2人の教師を雇い,教師の指導による学習を通して,ラベルなしデータのラベル付けを洗練させる。 提案手法により,学生は単教師のパフォーマンスよりも改善できる。 DBDC5とLearning to Identify Follow-Up Questions dataset LIFの実験結果から,我々のアプローチは従来のアプローチや教師付きおよび半教師付きベースライン手法よりも優れていることが示された。

関連論文リスト

• Semi-Supervised Teacher-Reference-Student Architecture for Action Quality Assessment [33.01458098153753]
  アクション品質評価(AQA)手法は、完全に教師付き学習のための大量のラベルアノテーションを必要とすることが多い。 本稿では,大量のラベルのないデータを活用することで,AQAタスクのより良い評価に利用できる新しい半教師付き手法を提案する。
  論文  参考訳（メタデータ） (2024-07-29T03:36:39Z)
• JEDI: Joint Expert Distillation in a Semi-Supervised Multi-Dataset Student-Teacher Scenario for Video Action Recognition [29.67402932890899]
  マルチデータセットに基づく半教師付き学習手法であるJEDIを提案する。 複数の専門家の知識を効率よく組み合わせ、異なるデータセットで学習し、個々のデータセット毎、学生モデルのパフォーマンスをトレーニングし改善する。
  論文  参考訳（メタデータ） (2023-08-09T13:09:07Z)
• Active Teacher for Semi-Supervised Object Detection [80.10937030195228]
  半教師対象検出(SSOD)のための能動教師と呼ばれる新しいアルゴリズムを提案する。 Active Teacherは、教師/学生のフレームワークを反復的なバージョンに拡張し、ラベルセットを部分的に段階的に拡張し、ラベルなし例の3つの重要な要素を評価する。 この設計により、Active Teacherは、擬似ラベルの品質を改善しながら、限られたラベル情報の効果を最大化することができる。
  論文  参考訳（メタデータ） (2023-03-15T03:59:27Z)
• Distantly-Supervised Named Entity Recognition with Adaptive Teacher Learning and Fine-grained Student Ensemble [56.705249154629264]
  NERモデルの堅牢性を改善するために,自己学習型教員学生フレームワークを提案する。 本稿では,2つの教員ネットワークからなる適応型教員学習を提案する。 微粒な学生アンサンブルは、教師モデルの各フラグメントを、生徒の対応するフラグメントの時間移動平均で更新し、各モデルフラグメントのノイズに対する一貫した予測を強化する。
  論文  参考訳（メタデータ） (2022-12-13T12:14:09Z)
• Self-training Improves Pre-training for Few-shot Learning in Task-oriented Dialog Systems [47.937191088981436]
  大規模事前訓練型言語モデルでは、ToDで数発の学習を行う上で有望な結果が示されている。 本稿では,より強力な学生モデルを訓練するために,最も自信のないラベル付きデータを反復的にラベル付けする自己学習手法を提案する。 目的分類,ダイアログ状態追跡,ダイアログアクト予測,応答選択など,ToDの4つの下流タスクに関する実験と分析を行った。
  論文  参考訳（メタデータ） (2021-08-28T07:22:06Z)
• SLADE: A Self-Training Framework For Distance Metric Learning [75.54078592084217]
  我々は、追加のラベルのないデータを活用することで、検索性能を向上させるための自己学習フレームワークSLADEを提案する。 まず、ラベル付きデータに基づいて教師モデルをトレーニングし、ラベルなしデータに対して擬似ラベルを生成する。 次に、最終機能埋め込みを生成するために、ラベルと擬似ラベルの両方で学生モデルをトレーニングします。
  論文  参考訳（メタデータ） (2020-11-20T08:26:10Z)
• Self-training Improves Pre-training for Natural Language Understanding [63.78927366363178]
  我々は、半教師付き学習を通じてラベルのないデータを活用する別の方法として、自己学習について研究する。 本稿では,ラベル付きデータからタスク固有のクエリの埋め込みを計算するデータ拡張手法であるSentAugmentを紹介する。 我々のアプローチは、標準的なテキスト分類ベンチマークで最大2.6%の改善を達成し、スケーラブルで効果的な自己学習に繋がる。
  論文  参考訳（メタデータ） (2020-10-05T17:52:25Z)
• Dual-Teacher: Integrating Intra-domain and Inter-domain Teachers for Annotation-efficient Cardiac Segmentation [65.81546955181781]
  本稿では,新しい半教師付きドメイン適応手法,すなわちDual-Teacherを提案する。 学生モデルは、2つの教師モデルによってラベル付けされていない対象データとラベル付けされた情報源データの知識を学習する。 提案手法では, ラベルなしデータとモダリティ間データとを並列に利用でき, 性能が向上することを示した。
  論文  参考訳（メタデータ） (2020-07-13T10:00:44Z)

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。