論文の概要: Learning to Classify Open Intent via Soft Labeling and Manifold Mixup

• arxiv url: http://arxiv.org/abs/2204.07804v1
• Date: Sat, 16 Apr 2022 14:10:07 GMT
• ステータス: 処理完了
• システム内更新日: 2022-04-19 14:29:19.925815
• Title: Learning to Classify Open Intent via Soft Labeling and Manifold Mixup
• Title（参考訳）: ソフトラベリングと多様体混合によるオープンインテント分類の学習
• Authors: Zifeng Cheng, Zhiwei Jiang, Yafeng Yin, Cong Wang, Qing Gu
• Abstract要約: オープンインテント分類は対話システムにおいて実用的だが難しい課題である。 外乱検出アルゴリズムを使わずに別の方法を考える。 ソフトラベリングとマニフォールド・ミックスアップに基づくディープモデルを提案する。
• 参考スコア（独自算出の注目度）: 10.863749481341497
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Open intent classification is a practical yet challenging task in dialogue systems. Its objective is to accurately classify samples of known intents while at the same time detecting those of open (unknown) intents. Existing methods usually use outlier detection algorithms combined with K-class classifier to detect open intents, where K represents the class number of known intents. Different from them, in this paper, we consider another way without using outlier detection algorithms. Specifically, we directly train a (K+1)-class classifier for open intent classification, where the (K+1)-th class represents open intents. To address the challenge that training a (K+1)-class classifier with training samples of only K classes, we propose a deep model based on Soft Labeling and Manifold Mixup (SLMM). In our method, soft labeling is used to reshape the label distribution of the known intent samples, aiming at reducing model's overconfident on known intents. Manifold mixup is used to generate pseudo samples for open intents, aiming at well optimizing the decision boundary of open intents. Experiments on four benchmark datasets demonstrate that our method outperforms previous methods and achieves state-of-the-art performance. All the code and data of this work can be obtained at https://github.com/zifengcheng/SLMM.
• Abstract（参考訳）: オープンインテント分類は対話システムにおいて実用的だが難しい課題である。 その目的は、オープン(未知)インテントの検出と同時に、既知のインテントのサンプルを正確に分類することである。 既存の手法は通常、Kクラス分類器と組み合わせてオープンインテントを検出し、Kは既知のインテントのクラス数を表す。 それらと異なり、本論文では、外乱検出アルゴリズムを使わずに別の方法を検討する。 具体的には、開意図分類のための(K+1)クラス分類器を直接訓練し、(K+1)クラスは開意図を表す。 Kクラスのみのトレーニングサンプルを用いた(K+1)クラス分類器のトレーニング課題に対処するため,Soft Labeling and Manifold Mixup (SLMM)に基づく深層モデルを提案する。 本手法では, ソフトラベリングを用いて既知のインテントサンプルのラベル分布を再構成し, モデルの既知のインテントに対する信頼度を低下させる。 manifold mixupは、オープンインテントの決定境界を適切に最適化することを目的として、オープンインテントの擬似サンプルを生成するために使用される。 4つのベンチマークデータセットを用いた実験により,本手法が従来の手法より優れ,最先端の性能を実現することが示された。 この作業のコードとデータは、https://github.com/zifengcheng/SLMMで取得できる。

関連論文リスト

• Memory Consistency Guided Divide-and-Conquer Learning for Generalized Category Discovery [56.172872410834664]
  一般カテゴリー発見(GCD)は、半教師付き学習のより現実的で挑戦的な設定に対処することを目的としている。 メモリ一貫性を誘導する分枝・分枝学習フレームワーク(MCDL)を提案する。 本手法は,画像認識の目に見えるクラスと見えないクラスの両方において,最先端のモデルよりも優れた性能を示す。
  論文  参考訳（メタデータ） (2024-01-24T09:39:45Z)
• Generalized Category Discovery with Clustering Assignment Consistency [56.92546133591019]
  一般化圏発見(GCD)は、最近提案されたオープンワールドタスクである。 クラスタリングの一貫性を促進するための協調学習ベースのフレームワークを提案する。 提案手法は,3つの総合的なベンチマークと3つのきめ細かい視覚認識データセット上での最先端性能を実現する。
  論文  参考訳（メタデータ） (2023-10-30T00:32:47Z)
• Effective Open Intent Classification with K-center Contrastive Learning and Adjustable Decision Boundary [28.71330804762103]
  オープンインテント分類の有効性を向上するために,新しいK中心のコントラスト学習とCLAB(Compactable decision boundary learning)を導入する。 具体的には,K中心のコントラスト学習アルゴリズムを考案し,差別的かつバランスの取れた意図的特徴を学習する。 次に、決定中心と決定境界の半径からなる、既知の意図クラス毎に決定境界を学習する。
  論文  参考訳（メタデータ） (2023-04-20T11:35:06Z)
• Open-set Recognition via Augmentation-based Similarity Learning [11.706887820422002]
  ペアの類似点を学習することで未知(または見知らぬクラスサンプル)を検出することを提案する。 我々はOPG(Pseudo unseen data generationに基づくオープンセット認識)と呼ぶ。
  論文  参考訳（メタデータ） (2022-03-24T17:49:38Z)
• Conditional Variational Capsule Network for Open Set Recognition [64.18600886936557]
  オープンセット認識では、分類器はトレーニング時に未知の未知のクラスを検出する必要がある。 最近提案されたカプセルネットワークは、特に画像認識において、多くの分野で代替案を上回ることが示されている。 本提案では,訓練中,同じ既知のクラスのカプセルの特徴を,事前に定義されたガウス型に適合させることを推奨する。
  論文  参考訳（メタデータ） (2021-04-19T09:39:30Z)
• Deep Open Intent Classification with Adaptive Decision Boundary [21.478553057876972]
  オープン意図分類のための適応決定境界(ADB)を学習するための後処理手法を提案する。 具体的には,経験的リスクとオープンスペースリスクを両立させる新たな損失関数を提案する。 私たちのアプローチは、ラベル付きデータが少なく、既知の意図が少ないと驚くほど非感受性です。
  論文  参考訳（メタデータ） (2020-12-18T13:05:11Z)
• Discovering New Intents with Deep Aligned Clustering [19.11073686645496]
  限定された既知の意図データを用いて新しい意図を発見するための効果的な方法であるDeep Aligned Clusteringを提案する。 未知の新たな意図によって、低信頼な意図的クラスタを排除し、意図的カテゴリの数を予測する。 2つのベンチマークデータセットの実験は、私たちの方法がより堅牢であり、最先端の方法よりも大幅に改善されることを示しています。
  論文  参考訳（メタデータ） (2020-12-16T14:32:06Z)
• Discriminative Nearest Neighbor Few-Shot Intent Detection by Transferring Natural Language Inference [150.07326223077405]
  データ不足を緩和するためには、ほとんどショットラーニングが注目を集めている。 深部自己注意を伴う識別的近傍分類を提示する。 自然言語推論モデル(NLI)を変換することで識別能力を高めることを提案する。
  論文  参考訳（メタデータ） (2020-10-25T00:39:32Z)
• Open-Set Recognition with Gaussian Mixture Variational Autoencoders [91.3247063132127]
  推論において、オープンセット分類は、サンプルをトレーニングから既知のクラスに分類するか、未知のクラスとして拒絶するかのどちらかである。 我々は,協調的に再構築を学習し,潜在空間におけるクラスベースのクラスタリングを行うよう,我々のモデルを訓練する。 我々のモデルは、より正確で堅牢なオープンセット分類結果を実現し、平均的なF1改善率は29.5%である。
  論文  参考訳（メタデータ） (2020-06-03T01:15:19Z)
• Few-Shot Open-Set Recognition using Meta-Learning [72.15940446408824]
  オープンセット認識の問題点を考察する。 新しいoPen sEt mEta LEaRning (PEELER)アルゴリズムが導入された。
  論文  参考訳（メタデータ） (2020-05-27T23:49:26Z)
• Hybrid Models for Open Set Recognition [28.62025409781781]
  オープンセット認識は、トレーニングセット内のどのクラスにも属さないサンプルを検出するために分類器を必要とする。 本稿では,入力データを結合埋め込み空間にエンコードするエンコーダと,サンプルを不整クラスに分類する分類器と,フローベース密度推定器からなるOpenHybridを提案する。 標準オープンセットベンチマークの実験では、エンドツーエンドの訓練されたOpenHybridモデルは最先端の手法やフローベースのベースラインを大きく上回っている。
  論文  参考訳（メタデータ） (2020-03-27T16:14:27Z)

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。