論文の概要: Cross-TOP: Zero-Shot Cross-Schema Task-Oriented Parsing

• arxiv url: http://arxiv.org/abs/2206.05352v1
• Date: Fri, 10 Jun 2022 20:50:08 GMT
• ステータス: 処理完了
• システム内更新日: 2022-06-14 13:30:11.353522
• Title: Cross-TOP: Zero-Shot Cross-Schema Task-Oriented Parsing
• Title（参考訳）: クロストップ:ゼロショットのクロススキーマタスク指向構文解析
• Authors: Melanie Rubino, Nicolas Guenon des Mesnards, Uday Shah, Nanjiang Jiang, Weiqi Sun, Konstantine Arkoudas
• Abstract要約: Cross-TOPは、与えられた垂直領域における複雑な意味解析のためのゼロショット法である。 また,Cross-TOPはトレーニングデータを必要とすることなく,未確認のタスクに対して高い精度を達成可能であることを示す。
• 参考スコア（独自算出の注目度）: 5.5947246682911205
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Deep learning methods have enabled task-oriented semantic parsing of increasingly complex utterances. However, a single model is still typically trained and deployed for each task separately, requiring labeled training data for each, which makes it challenging to support new tasks, even within a single business vertical (e.g., food-ordering or travel booking). In this paper we describe Cross-TOP (Cross-Schema Task-Oriented Parsing), a zero-shot method for complex semantic parsing in a given vertical. By leveraging the fact that user requests from the same vertical share lexical and semantic similarities, a single cross-schema parser is trained to service an arbitrary number of tasks, seen or unseen, within a vertical. We show that Cross-TOP can achieve high accuracy on a previously unseen task without requiring any additional training data, thereby providing a scalable way to bootstrap semantic parsers for new tasks. As part of this work we release the FoodOrdering dataset, a task-oriented parsing dataset in the food-ordering vertical, with utterances and annotations derived from five schemas, each from a different restaurant menu.
• Abstract（参考訳）: 深層学習法は、ますます複雑な発話のタスク指向の意味解析を可能にする。 しかしながら、単一のモデルは、通常、各タスクのために個別にトレーニングされ、デプロイされ、それぞれにラベル付きトレーニングデータを必要とするため、単一のビジネス垂直(例えば、食品注文や旅行予約)内でも、新しいタスクのサポートが困難になる。 本稿では,Cross-Schema Task-Oriented Parsing(Cross-Schema Task-Oriented Parsing)について述べる。 同じ垂直共有語彙とセマンティック類似性からのユーザリクエストを活用することで、単一のクロススキーマパーサを使用して、任意の数のタスク(見えるか見えないか)を垂直に処理するようにトレーニングする。 そこで,Cross-TOPはトレーニングデータを必要とすることなく,これまで見られなかったタスクに対して高い精度を達成できることを示す。 この作業の一環として、さまざまなレストランメニューから5つのスキーマから派生した発話とアノテーションを備えた、食品注文の垂直なタスク指向構文解析データセットであるFoodOrderingデータセットをリリースしました。

関連論文リスト

• The Power of Summary-Source Alignments [62.76959473193149]
  多文書要約(MDS)は難しい課題であり、しばしばサリエンスと冗長性検出のサブタスクに分解される。 参照要約とそのソース文書間の対応する文のアライメントを利用して、トレーニングデータを生成する。 本稿では,よりきめ細かな提案スパンレベルで適用することで,要約ソースアライメントフレームワークを拡張することを提案する。
  論文  参考訳（メタデータ） (2024-06-02T19:35:19Z)
• Joint-Task Regularization for Partially Labeled Multi-Task Learning [30.823282043129552]
  機械学習分野ではマルチタスク学習がますます人気になっているが、その実用性は大規模ラベル付きデータセットの必要性によって妨げられている。 本稿では, クロスタスク関係を利用して, 全タスクを1つのジョイントタスク潜在空間で同時に正規化する直感的手法であるジョイントタスク正規化(JTR)を提案する。
  論文  参考訳（メタデータ） (2024-04-02T14:16:59Z)
• Task2Box: Box Embeddings for Modeling Asymmetric Task Relationships [19.02802837808466]
  ボックス埋め込みを用いたタスク表現手法であるTask2Boxを提案する。 Task2Box は ImageNet と iNaturalist のデータセットのノード間の階層的関係を正確に予測する。 また,タスク表現から推定したボックス埋め込みを,同じ表現で訓練された分類器よりも正確に関係を予測できることを示す。
  論文  参考訳（メタデータ） (2024-03-25T20:39:58Z)
• Distribution Matching for Multi-Task Learning of Classification Tasks: a Large-Scale Study on Faces & Beyond [62.406687088097605]
  マルチタスク学習(MTL)は、複数の関連するタスクを共同で学習し、共有表現空間から恩恵を受けるフレームワークである。 MTLは、ほとんど重複しない、あるいは重複しないアノテーションで分類タスクで成功することを示す。 本稿では,分散マッチングによるタスク間の知識交換を可能にする新しい手法を提案する。
  論文  参考訳（メタデータ） (2024-01-02T14:18:11Z)
• tasksource: A Dataset Harmonization Framework for Streamlined NLP Multi-Task Learning and Evaluation [2.869669835645836]
  500以上の英語タスクのためのデータセットアノテーションフレームワークとデータセットアノテーションをリリースします。 これらのアノテーションには、すべてのデータセットのインプットやラベルとして使用される列の名前などのメタデータが含まれている。 タスクソースのタスクに対してマルチタスクのテキストエンコーダを微調整し、外部評価において同等の大きさの公開テキストエンコーダよりも優れた性能を示す。
  論文  参考訳（メタデータ） (2023-01-14T16:38:04Z)
• Improving Cross-task Generalization of Unified Table-to-text Models with Compositional Task Configurations [63.04466647849211]
  メソッドは通常、タスク情報をエンコーダのプレフィックスとして単純なデータセット名でエンコードする。 本稿では,エンコーダがタスク間の一般化を改善するためのプロンプトセットであるコンポジションタスク構成を提案する。 これは、モデルがトレーニング中に異なるタスク間で共有知識をより良く学習できるだけでなく、新しい構成を構築することでモデルを制御できることを示している。
  論文  参考訳（メタデータ） (2022-12-17T02:20:14Z)
• PIZZA: A new benchmark for complex end-to-end task-oriented parsing [3.5106870325869886]
  本稿では,ピザとドリンクの注文を解析するための新しいデータセットを提案する。 本研究では,セク2セクNGの異なるフレーバーを含む,タスク指向構文解析のためのディープラーニング手法の評価を行う。
  論文  参考訳（メタデータ） (2022-12-01T04:20:07Z)
• Task Compass: Scaling Multi-task Pre-training with Task Prefix [122.49242976184617]
  既存の研究では、大規模教師付きタスクによるマルチタスク学習がタスク間の負の効果に悩まされていることが示されている。 タスク間の関係を探索するために,タスクプレフィックスガイド付きマルチタスク事前学習フレームワークを提案する。 我々のモデルは、幅広いタスクの強力な基盤バックボーンとして機能するだけでなく、タスク関係を分析するための探索ツールとしても実現可能である。
  論文  参考訳（メタデータ） (2022-10-12T15:02:04Z)
• Improving Multi-task Generalization Ability for Neural Text Matching via Prompt Learning [54.66399120084227]
  最近の最先端のニューラルテキストマッチングモデル(PLM)は、様々なタスクに一般化することが難しい。 我々は、特殊化一般化訓練戦略を採用し、それをMatch-Promptと呼ぶ。 特殊化段階では、異なるマッチングタスクの記述はいくつかのプロンプトトークンにマッピングされる。 一般化段階において、テキストマッチングモデルは、多種多様なマッチングタスクを訓練することにより、本質的なマッチング信号を探索する。
  論文  参考訳（メタデータ） (2022-04-06T11:01:08Z)
• X2Parser: Cross-Lingual and Cross-Domain Framework for Task-Oriented Compositional Semantic Parsing [51.81533991497547]
  タスク指向コンポジションセマンティックパーシング(TCSP)は複雑なネストされたユーザクエリを処理する。 本報告では,TCSPの変換可能なクロスランガルとクロスドメインを比較した。 本稿では,フラット化意図とスロット表現を別々に予測し,両方の予測タスクをシーケンスラベリング問題にキャストすることを提案する。
  論文  参考訳（メタデータ） (2021-06-07T16:40:05Z)

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。