Fugu-MT 論文翻訳(概要): Building a Personalized Dialogue System with Prompt-Tuning

論文の概要: Building a Personalized Dialogue System with Prompt-Tuning

arxiv url: http://arxiv.org/abs/2206.05399v1
Date: Sat, 11 Jun 2022 02:21:11 GMT
ステータス: 処理完了
システム内更新日: 2022-06-19 13:07:46.804323
Title: Building a Personalized Dialogue System with Prompt-Tuning
Title（参考訳）: Prompt-Tuningを用いた対話システムの構築
Authors: Tomohito Kasahara, Daisuke Kawahara, Nguyen Tung, Shengzhe Li, Kenta Shinzato, Toshinori Sato
Abstract要約: 与えられた文字設定(ペルソナ)に基づいて応答する対話システムを構築する。本稿では,事前学習された大規模言語モデルに対して,学習コストの低いプロンプトチューニングを利用する手法を提案する。
参考スコア（独自算出の注目度）: 5.942602139622984
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Dialogue systems without consistent responses are not fascinating. In this study, we build a dialogue system that can respond based on a given character setting (persona) to bring consistency. Considering the trend of the rapidly increasing scale of language models, we propose an approach that uses prompt-tuning, which has low learning costs, on pre-trained large-scale language models. The results of automatic and manual evaluations in English and Japanese show that it is possible to build a dialogue system with more natural and personalized responses using less computational resources than fine-tuning.
Abstract（参考訳）: 一貫した応答のない対話システムは魅力的ではない。本研究では,与えられたキャラクタ設定(persona)に基づいて応答し,一貫性を実現する対話システムを構築する。言語モデルが急速に普及する傾向を考慮し,学習コストの低いプロンプトチューニングを,事前学習した大規模言語モデルに導入する手法を提案する。英語と日本語における自動的・手作業による評価の結果,微調整よりも少ない計算資源を用いて,より自然でパーソナライズされた対話システムを構築することが可能であった。

関連論文リスト

An Efficient Self-Learning Framework For Interactive Spoken Dialog Systems [18.829793635104608]
ダイアログシステムにおけるASRの一般的なフレームワークを紹介する。従来の学習と比較して,我々の新しいフレームワークを活用することで,実世界の対話システムにおいて比較的WERが10%近く削減されることが示されている。
論文参考訳（メタデータ） (2024-09-16T17:59:50Z)
Large Language Model based Situational Dialogues for Second Language Learning [7.450328495455734]
第二言語学習において、シナリオベースの会話実践は、言語学習者が話し言葉の流布を達成するために重要である。このギャップを埋めるために,学生が会話の実践を行うための状況対話モデルを提案する。我々の状況対話モデルは大規模言語モデル(LLM)に基づいて微調整されており、オープンエンド会話の係り受け性とシナリオベースタスクの焦点を合わせることを目的としている。
論文参考訳（メタデータ） (2024-03-29T06:43:55Z)
Attribution and Alignment: Effects of Local Context Repetition on Utterance Production and Comprehension in Dialogue [6.886248462185439]
繰り返しは通常、言語モデル世代を評価する際に罰せられる。人間はローカルとパートナーの特定の繰り返しを使用し、それらは人間のユーザーによって好まれ、対話におけるコミュニケーションをより成功させる。本研究では, (a) 言語モデルが対話における人間的な繰り返しのレベルを生成するかどうか, (b) 理解中に使用する語彙再使用に関連する処理機構について検討する。
論文参考訳（メタデータ） (2023-11-21T23:50:33Z)
Controllable Mixed-Initiative Dialogue Generation through Prompting [50.03458333265885]
混合開始対話タスクには、情報の繰り返し交換と会話制御が含まれる。エージェントは、ポリシープランナーが定める特定の対話意図や戦略に従う応答を生成することにより、コントロールを得る。標準的なアプローチは、これらの意図に基づいて生成条件を実行するために、訓練済みの言語モデルを微調整している。代わりに、条件生成の微調整に代えて、大きな言語モデルをドロップインで置き換えるように促します。
論文参考訳（メタデータ） (2023-05-06T23:11:25Z)
ChatPLUG: Open-Domain Generative Dialogue System with Internet-Augmented Instruction Tuning for Digital Human [76.62897301298699]
ChatPLUGは、デジタルヒューマンアプリケーションのための中国のオープンドメイン対話システムである。モデルネームは, 自動評価と人的評価の両方において, 最先端の中国語対話システムより優れていることを示す。高速な推論でスマートスピーカーやインスタントメッセージアプリケーションのような実世界のアプリケーションにモデルネームをデプロイします。
論文参考訳（メタデータ） (2023-04-16T18:16:35Z)
User Adaptive Language Learning Chatbots with a Curriculum [55.63893493019025]
語彙的に制約されたデコーディングをダイアログシステムに適用し、ダイアログシステムに対して、その生成した発話にカリキュラムに準拠した単語やフレーズを含めるよう促す。評価の結果,カリキュラム注入によるダイアログシステムにより,対象語に対する生徒の理解が向上し,英語実践への関心が高まることが示された。
論文参考訳（メタデータ） (2023-04-11T20:41:41Z)
Stabilized In-Context Learning with Pre-trained Language Models for Few Shot Dialogue State Tracking [57.92608483099916]
大規模事前学習言語モデル(PLM)は、多くのNLPタスクにまたがる優れた性能を示している。対話状態追跡(DST)のようなより複雑なタスクでは、望ましい意図を確実に伝達するプロンプトを設計するのは簡単ではない。対話文の長さを制限するためのサリエンシモデルを導入し、クエリ毎に多くの例を含めることができます。
論文参考訳（メタデータ） (2023-02-12T15:05:10Z)
Towards Large-Scale Interpretable Knowledge Graph Reasoning for Dialogue Systems [109.16553492049441]
よりスケーラブルで一般化可能な対話システムに知識推論機能を組み込む新しい手法を提案する。我々の知識を最大限に活用するために、変圧器モデルが微分可能な知識グラフを解析して応答を生成するのは、これが初めてである。
論文参考訳（メタデータ） (2022-03-20T17:51:49Z)
Response Generation with Context-Aware Prompt Learning [19.340498579331555]
本稿では,対話生成問題を素早い学習課題とする,事前学習型対話モデリングのための新しい手法を提案する。限られた対話データを微調整する代わりに、我々のアプローチであるDialogPromptは、対話コンテキストに最適化された連続的なプロンプト埋め込みを学習する。提案手法は,微調整ベースラインと汎用的なプロンプト学習法を著しく上回っている。
論文参考訳（メタデータ） (2021-11-04T05:40:13Z)
A Review of Dialogue Systems: From Trained Monkeys to Stochastic Parrots [0.0]
人工知能をデプロイして、人間と会話できる自動対話エージェントを構築することを目指している。本稿では,長年にわたって対話システムを構築するために開発された手法について概説する。
論文参考訳（メタデータ） (2021-11-02T08:07:55Z)
The Adapter-Bot: All-In-One Controllable Conversational Model [66.48164003532484]
本稿では、DialGPTなどの固定バックボーンモデルを用いて、異なるアダプタを介してオンデマンド対話スキルをトリガーする対話モデルを提案する。スキルに応じて、モデルはテキスト、テーブル、強調応答などの複数の知識タイプを処理できる。我々は,既存の会話モデルと比較し,自動評価を用いたモデルの評価を行った。
論文参考訳（メタデータ） (2020-08-28T10:59:31Z)

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。