Fugu-MT 論文翻訳(概要): Mars: Modeling Context & State Representations with Contrastive Learning for End-to-End Task-Oriented Dialog

論文の概要: Mars: Modeling Context & State Representations with Contrastive Learning for End-to-End Task-Oriented Dialog

arxiv url: http://arxiv.org/abs/2210.08917v2
Date: Mon, 10 Jul 2023 06:21:55 GMT
ステータス: 処理完了
システム内更新日: 2023-07-11 19:14:36.025060
Title: Mars: Modeling Context & State Representations with Contrastive Learning for End-to-End Task-Oriented Dialog
Title（参考訳）: Mars: タスク指向対話におけるコントラスト学習によるコンテキストと状態表現のモデル化
Authors: Haipeng Sun, Junwei Bao, Youzheng Wu, Xiaodong He
Abstract要約: まず,会話の文脈表現が,信念状態や行動状態の質向上にどのような効果があるかを考察する。対話コンテキストと信念/行動状態表現の関係をモデル化する2つの対照的な学習戦略を備えた,エンドツーエンドのタスク指向対話システムであるMarsを提案する。
参考スコア（独自算出の注目度）: 20.771775014081815
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Traditional end-to-end task-oriented dialog systems first convert dialog context into belief state and action state before generating the system response. The system response performance is significantly affected by the quality of the belief state and action state. We first explore what dialog context representation is beneficial to improving the quality of the belief state and action state, which further enhances the generated response quality. To tackle our exploration, we propose Mars, an end-to-end task-oriented dialog system with two contrastive learning strategies to model the relationship between dialog context and belief/action state representations. Empirical results show dialog context representations, which are more different from semantic state representations, are more conducive to multi-turn task-oriented dialog. Moreover, our proposed Mars achieves state-of-the-art performance on the MultiWOZ 2.0, CamRest676, and CrossWOZ.
Abstract（参考訳）: 従来のエンドツーエンドのタスク指向ダイアログシステムは、ダイアログコンテキストをシステム応答を生成する前に、まず信念状態と行動状態に変換する。システム応答性能は、信念状態と行動状態の品質に大きく影響される。まず,対話コンテキスト表現が信念状態と行動状態の品質向上にどのような効果があるか検討し,それによって生成された応答品質がさらに向上することを示す。我々は,対話コンテキストと信念/行動状態表現の関係をモデル化する2つの対比学習戦略を備えた,エンドツーエンドのタスク指向対話システムであるmarsを提案する。経験的な結果から、意味的状態表現とより異なるダイアログのコンテキスト表現は、マルチターンタスク指向のダイアログよりも導出性が高い。さらに,提案する火星は,MultiWOZ 2.0,CamRest676,CrossWOZの最先端性能を実現している。

関連論文リスト

Enhancing Visual Dialog State Tracking through Iterative Object-Entity Alignment in Multi-Round Conversations [3.784841749866846]
MDST(Multi-round Dialogue State Tracking Model)を導入する。 MDSTは、内的対話状態表現を視覚言語表現の2-タプルとして定義し、各ラウンドの対話履歴をキャプチャする。 VisDial v1.0データセットの実験結果は、MDSTが生成環境において新しい最先端性能を達成することを示した。
論文参考訳（メタデータ） (2024-08-13T08:36:15Z)
Dialog-to-Actions: Building Task-Oriented Dialogue System via Action-Level Generation [7.110201160927713]
本稿では,アクションレベル生成によるタスク指向対話システムを提案する。具体的には、まず大規模な対話から対話行動を構築し、対話行動のシーケンスとして各自然言語(NL)応答を表現する。本研究では,対話履歴を入力とし,対話行動のシーケンスを出力するシーケンス・ツー・シーケンスモデルを訓練する。
論文参考訳（メタデータ） (2023-04-03T11:09:20Z)
FCC: Fusing Conversation History and Candidate Provenance for Contextual Response Ranking in Dialogue Systems [53.89014188309486]
複数のチャネルからコンテキスト情報を統合できるフレキシブルなニューラルネットワークフレームワークを提案する。会話応答ランキングタスクの評価に広く用いられているMSDialogデータセット上で,本モデルの評価を行った。
論文参考訳（メタデータ） (2023-03-31T23:58:28Z)
Act-Aware Slot-Value Predicting in Multi-Domain Dialogue State Tracking [5.816391291790977]
対話状態追跡(DST)は、人間と機械の相互作用を追跡し、対話を管理するための状態表現を生成することを目的としている。機械読解の最近の進歩は、対話状態追跡のための分類型と非分類型のスロットの両方を予測する。我々は対話行為を定式化し、機械読解の最近の進歩を活用し、対話状態追跡のためのカテゴリー型と非カテゴリ型の両方のスロットを予測する。
論文参考訳（メタデータ） (2022-08-04T05:18:30Z)
Beyond the Granularity: Multi-Perspective Dialogue Collaborative Selection for Dialogue State Tracking [18.172993687706708]
対話状態追跡においては、対話履歴は重要な材料であり、その利用法は異なるモデルによって異なる。状態更新のために各スロットに対応する対話内容を動的に選択するDiCoS-DSTを提案する。提案手法は,MultiWOZ 2.1およびMultiWOZ 2.2上での最先端性能を実現し,複数の主流ベンチマークデータセット上での優れた性能を実現する。
論文参考訳（メタデータ） (2022-05-20T10:08:45Z)
DynaEval: Unifying Turn and Dialogue Level Evaluation [60.66883575106898]
統合された自動評価フレームワークDynaEvalを提案する。ターンレベルの評価を行うことができるが、対話全体の品質を公平に考慮することもできる。実験の結果,DynaEvalは最先端の対話コヒーレンスモデルよりも優れていた。
論文参考訳（メタデータ） (2021-06-02T12:23:18Z)
Rethinking Dialogue State Tracking with Reasoning [76.0991910623001]
本稿では, 対話状態の段階的追跡を, バックエンドデータの助けを借りて行うことを提案する。実験の結果,MultiWOZ 2.1の連立信条精度は38.6%向上した。
論文参考訳（メタデータ） (2020-05-27T02:05:33Z)
Modeling Long Context for Task-Oriented Dialogue State Generation [51.044300192906995]
本稿では,シンプルで効果的な発話タグ付け手法と双方向言語モデルを用いたマルチタスク学習モデルを提案する。提案手法は,入力対話コンテキストシーケンスが長い場合に,ベースラインの性能が著しく低下する,という問題を解決する。本実験では,MultiWOZ 2.0データセットにおいて,ベースラインに対して7.03%の相対的改善を実現し,新しい最先端のジョイントゴール精度を52.04%に設定した。
論文参考訳（メタデータ） (2020-04-29T11:02:25Z)
Dialogue-Based Relation Extraction [53.2896545819799]
本稿では,人間による対話型関係抽出(RE)データセットDialogREを提案する。我々は,対話型タスクと従来のREタスクの類似点と相違点の分析に基づいて,提案課題において話者関連情報が重要な役割を担っていると論じる。実験結果から,ベストパフォーマンスモデルにおける話者認識の拡張が,標準設定と会話評価設定の両方において向上することが示された。
論文参考訳（メタデータ） (2020-04-17T03:51:57Z)
Recent Advances and Challenges in Task-oriented Dialog System [63.82055978899631]
課題指向対話システムは、学術・産業社会でますます注目を集めている。タスク指向ダイアログシステムにおける3つの重要なトピックについて論じる。(1)低リソース環境でのダイアログモデリングを容易にするデータ効率の改善、(2)ダイアログポリシー学習のためのマルチターンダイナミクスのモデリング、(3)ダイアログモデルへのドメイン知識の統合。
論文参考訳（メタデータ） (2020-03-17T01:34:56Z)

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。