論文の概要: Generalized Intent Discovery: Learning from Open World Dialogue System

• arxiv url: http://arxiv.org/abs/2209.06030v1
• Date: Tue, 13 Sep 2022 14:31:53 GMT
• ステータス: 処理完了
• システム内更新日: 2022-09-14 12:46:30.435135
• Title: Generalized Intent Discovery: Learning from Open World Dialogue System
• Title（参考訳）: 汎用的意図発見: オープンワールド対話システムからの学習
• Authors: Yutao Mou, Keqing He, Yanan Wu, Pei Wang, Jingang Wang, Wei Wu, Yi Huang, Junlan Feng, Weiran Xu
• Abstract要約: Generalized Intent Discovery (GID)は、INDインテント分類器をINDインテントやOODインテントを含むオープンワールドインテントセットに拡張することを目的としている。 異なるアプリケーションシナリオのための3つのパブリックデータセットを構築し、2種類のフレームワークを提案する。
• 参考スコア（独自算出の注目度）: 34.39483579171543
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Traditional intent classification models are based on a pre-defined intent set and only recognize limited in-domain (IND) intent classes. But users may input out-of-domain (OOD) queries in a practical dialogue system. Such OOD queries can provide directions for future improvement. In this paper, we define a new task, Generalized Intent Discovery (GID), which aims to extend an IND intent classifier to an open-world intent set including IND and OOD intents. We hope to simultaneously classify a set of labeled IND intent classes while discovering and recognizing new unlabeled OOD types incrementally. We construct three public datasets for different application scenarios and propose two kinds of frameworks, pipeline-based and end-to-end for future work. Further, we conduct exhaustive experiments and qualitative analysis to comprehend key challenges and provide new guidance for future GID research.
• Abstract（参考訳）: 従来のインテント分類モデルは事前に定義されたインテントセットに基づいており、限定されたindインテントクラスのみを認識する。 しかし、ユーザーは実際の対話システムでOODクエリを入力することができる。 このようなOODクエリは、今後の改善のための方向性を提供することができる。 本稿では、INDインテント分類器をINDインテントやOODインテントを含むオープンワールドインテントセットに拡張することを目的とした新しいタスク、Generalized Intent Discovery (GID)を定義する。 我々は、ラベル付きINDインテントクラスを同時に分類し、新しいラベル付きOODタイプを段階的に発見し、認識したいと思っています。 異なるアプリケーションシナリオのための3つのパブリックデータセットを構築し、将来の作業のためにパイプラインベースとエンドツーエンドの2種類のフレームワークを提案します。 さらに, 課題を理解するために, 徹底的な実験と質的分析を行い, 今後のgid研究への新たなガイダンスを提供する。

関連論文リスト

• IntentGPT: Few-shot Intent Discovery with Large Language Models [9.245106106117317]
  我々は、新たな意図が現れると識別できるモデルを開発する。 IntentGPTは、Large Language Models (LLM) を効果的に促し、最小限のラベル付きデータで新しいインテントを発見する、トレーニング不要の手法である。 実験の結果,IntentGPTはドメイン固有データと微調整を必要とする従来の手法よりも優れていることがわかった。
  論文  参考訳（メタデータ） (2024-11-16T02:16:59Z)
• Continual Generalized Intent Discovery: Marching Towards Dynamic and Open-world Intent Recognition [25.811639218862958]
  Generalized Intent Discovery (GID)は、OOD学習の1段階のみを考慮し、過去のすべての段階におけるデータを共同トレーニングに活用する必要がある。 Continual Generalized Intent Discovery (CGID)は、動的OODデータストリームからOODインテントを継続的にかつ自動的に検出することを目的としている。 PLRDはクラスプロトタイプを通じて新しいインテント発見をブートストラップし、データ再生と特徴蒸留を通じて新しいインテントと古いインテントのバランスをとる。
  論文  参考訳（メタデータ） (2023-10-16T08:48:07Z)
• Prompt Learning With Knowledge Memorizing Prototypes For Generalized Few-Shot Intent Detection [22.653220906899612]
  汎用Few-Shot Intent Detection (GFSID) は、目に見える意図と新しい意図の両方を同時に分類する必要があるため、困難かつ現実的である。 従来のGFSID法は、エピソード学習パラダイムに依存していた。 本稿では,GFSIDタスクをクラスインクリメンタル学習パラダイムに変換することを提案する。
  論文  参考訳（メタデータ） (2023-09-10T09:16:38Z)
• Out-of-Domain Intent Detection Considering Multi-Turn Dialogue Contexts [91.43701971416213]
  我々は,OODインテント検出タスクにおけるマルチターンコンテキストをモデル化するためのコンテキスト認識型OODインテント検出(Caro)フレームワークを提案する。 CaroはF1-OODスコアを29%以上改善することで、マルチターンOOD検出タスクの最先端性能を確立している。
  論文  参考訳（メタデータ） (2023-05-05T01:39:21Z)
• A Hybrid Architecture for Out of Domain Intent Detection and Intent Discovery [0.0]
  Out of Scope (OOS) と Out of Domain (OOD) の入力はタスク指向システムに問題をもたらす可能性がある。 タスク指向対話システムにおいて、Intent Detectionのモデルをトレーニングするためにラベル付きデータセットが必要である。 ラベル付きデータセットの作成には時間がかかり、人的リソースが必要です。 その結果,OOD/OOS Intent Detection と Intent Discovery の双方のモデルが優れた結果が得られることがわかった。
  論文  参考訳（メタデータ） (2023-03-07T18:49:13Z)
• Discovering New Intents Using Latent Variables [51.50374666602328]
  本稿では,意図の割り当てを潜伏変数として扱う意図を発見するための確率的フレームワークを提案する。 E-step, we conducting intents and explore the intrinsic structure of unlabeled data by the rear of intent assignments。 M段階において、ラベル付きデータの識別を最適化することにより、既知の意図から伝達される事前知識の忘れを緩和する。
  論文  参考訳（メタデータ） (2022-10-21T08:29:45Z)
• Learning Open-World Object Proposals without Learning to Classify [110.30191531975804]
  本研究では,各領域の位置と形状がどの接地トラストオブジェクトとどのように重なり合うかによって,各領域の目的性を純粋に推定する,分類不要なオブジェクトローカライゼーションネットワークを提案する。 この単純な戦略は一般化可能な対象性を学び、クロスカテゴリの一般化に関する既存の提案より優れている。
  論文  参考訳（メタデータ） (2021-08-15T14:36:02Z)
• Hierarchical Modeling for Out-of-Scope Domain and Intent Classification [55.23920796595698]
  本稿では,対話システムにおけるスコープ外意図分類に焦点をあてる。 ドメインとインテントを同時に分類する共同モデルに基づく階層型マルチタスク学習手法を提案する。 実験により、モデルが既存の手法よりも精度、スコープ外リコール、F1で優れていることが示された。
  論文  参考訳（メタデータ） (2021-04-30T06:38:23Z)
• Automatic Discovery of Novel Intents & Domains from Text Utterances [18.39942131996558]
  本稿では,ラベルのない大量のデータから新しいドメインや意図を自動的に発見する新しいフレームワークADVINを提案する。 ADVINは3つのベンチマークデータセットのベースラインと、商用音声処理エージェントからの実際のユーザ発話を大きく上回る。
  論文  参考訳（メタデータ） (2020-05-22T00:47:10Z)
• AGIF: An Adaptive Graph-Interactive Framework for Joint Multiple Intent Detection and Slot Filling [69.59096090788125]
  本稿では,多目的検出とスロットフィリングを併用する適応グラフ対話フレームワーク(AGIF)を提案する。 スロットとインテントの強い相関関係をモデル化するために,インテント-スロットグラフ相互作用層を導入する。 このような相互作用層が各トークンに適応的に適用され、関連する意図情報を自動抽出する利点がある。
  論文  参考訳（メタデータ） (2020-04-21T15:07:34Z)

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。