論文の概要: Co-guiding Net: Achieving Mutual Guidances between Multiple Intent
Detection and Slot Filling via Heterogeneous Semantics-Label Graphs
- arxiv url: http://arxiv.org/abs/2210.10375v1
- Date: Wed, 19 Oct 2022 08:34:51 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-20 12:50:43.817273
- Title: Co-guiding Net: Achieving Mutual Guidances between Multiple Intent
Detection and Slot Filling via Heterogeneous Semantics-Label Graphs
- Title（参考訳）: 共誘導ネット:異種セマンティクス・ラベルグラフによる複数意図検出とスロット充填の相互誘導の実現
- Authors: Bowen Xing and Ivor W. Tsang
- Abstract要約: 本稿では,2つのタスク間のテキスト間ガイダンスを実現するための2段階フレームワークを実装したCo- Guideiding Netという新しいモデルを提案する。
具体的には、提案した2つのテクスチャセマンティクス-ラベルグラフに作用する2つのテクスチャセマンティクスグラフアテンションネットワークを提案する。
実験結果から,MixATISデータセットの先行モデルよりも19.3%の相対的な改善が得られた。
- 参考スコア（独自算出の注目度）: 39.76268402567324
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Recent graph-based models for joint multiple intent detection and slot
filling have obtained promising results through modeling the guidance from the
prediction of intents to the decoding of slot filling. However, existing
methods (1) only model the \textit{unidirectional guidance} from intent to
slot; (2) adopt \textit{homogeneous graphs} to model the interactions between
the slot semantics nodes and intent label nodes, which limit the performance.
In this paper, we propose a novel model termed Co-guiding Net, which implements
a two-stage framework achieving the \textit{mutual guidances} between the two
tasks. In the first stage, the initial estimated labels of both tasks are
produced, and then they are leveraged in the second stage to model the mutual
guidances. Specifically, we propose two \textit{heterogeneous graph attention
networks} working on the proposed two \textit{heterogeneous semantics-label
graphs}, which effectively represent the relations among the semantics nodes
and label nodes. Experiment results show that our model outperforms existing
models by a large margin, obtaining a relative improvement of 19.3\% over the
previous best model on MixATIS dataset in overall accuracy.
- Abstract（参考訳）: 近年,マルチインテント検出とスロット充填を併用したグラフモデルが,インテント予測からスロット充填の復号へのガイダンスをモデル化し,有望な結果を得た。
しかし、既存の手法では、(1) スロットへの意図からスロットまでの \textit{unidirectional guidance} のみをモデル化し、(2)スロットセマンティクスノードとインテントラベルノード間の相互作用をモデル化するために \textit{homogeneous graphs} を採用する。
本稿では,2つのタスク間の‘textit{mutual guidances’を達成するための2段階フレームワークを実装したCo-guiding Netという新しいモデルを提案する。
第1段階では、両タスクの初期推定ラベルが生成され、その後第2段階で活用され、相互指導をモデル化する。
具体的には,提案する2つの \textit{heterogeneous semantics-label graphs} について,意味論ノードとラベルノードの関係を効果的に表現する2つの \textit{heterogeneous graph attention networks} を提案する。
実験の結果,これまでのmixatisデータセットにおける最良モデルと比較して,従来モデルに比べて19.3\%の相対的改善が得られた。
関連論文リスト
- Leveraging Graph Diffusion Models for Network Refinement Tasks [72.54590628084178]
本稿では,グラフ拡散に基づく新しいグラフ生成フレームワークSGDMを提案する。
我々のフレームワークはグラフ拡散モデルのスケーラビリティと忠実度を向上するだけでなく、逆プロセスを利用して新しい条件付き生成タスクを実行する。
論文 参考訳（メタデータ） (2023-11-29T18:02:29Z) - Co-guiding for Multi-intent Spoken Language Understanding [53.30511968323911]
本稿では,2つのタスク間の相互指導を実現するための2段階のフレームワークを実装した,コガイドネットと呼ばれる新しいモデルを提案する。
第1段階では,単一タスクによる教師付きコントラスト学習を提案し,第2段階ではコガイドによる教師付きコントラスト学習を提案する。
マルチインテリジェントSLU実験の結果,我々のモデルは既存のモデルよりも大きなマージンで優れていることがわかった。
論文 参考訳（メタデータ） (2023-11-22T08:06:22Z) - GrannGAN: Graph annotation generative adversarial networks [72.66289932625742]
本稿では,高次元分布をモデル化し,グラフスケルトンと整合した複雑な関係特徴構造を持つデータの新しい例を生成することの問題点を考察する。
提案するモデルは,タスクを2つのフェーズに分割することで,各データポイントのグラフ構造に制約されたデータ特徴を生成する問題に対処する。
第一に、与えられたグラフのノードに関連する機能の分布をモデル化し、第二に、ノードのフィーチャに条件付きでエッジ機能を補完する。
論文 参考訳（メタデータ） (2022-12-01T11:49:07Z) - A Dynamic Graph Interactive Framework with Label-Semantic Injection for
Spoken Language Understanding [43.48113981442722]
本稿では,まずラベルのセマンティック情報を利用して,モデルに付加的な信号を与え,よりリッチな事前情報を与える,DGIFというフレームワークを提案する。
本稿では,ラベルセマンティクスの注入に基づく対話型グラフ構築手法を提案する。
論文 参考訳（メタデータ） (2022-11-08T05:57:46Z) - Message Passing Neural Networks for Hypergraphs [6.999112784624749]
本稿では,ハイパーグラフ構造データを処理可能なメッセージパッシングに基づく,最初のグラフニューラルネットワークを提案する。
提案モデルでは,ハイパーグラフのためのニューラルネットワークモデルの設計空間が定義され,既存のハイパーグラフモデルが一般化されることを示す。
論文 参考訳（メタデータ） (2022-03-31T12:38:22Z) - Joint Graph Learning and Matching for Semantic Feature Correspondence [69.71998282148762]
本稿では,グラフマッチングを向上するための信頼度の高いグラフ構造を探索するために,GLAMという共用電子グラフ学習とマッチングネットワークを提案する。
提案手法は,3つの人気ビジュアルマッチングベンチマーク (Pascal VOC, Willow Object, SPair-71k) で評価される。
すべてのベンチマークにおいて、従来の最先端のグラフマッチング手法よりも大きなマージンを達成している。
論文 参考訳（メタデータ） (2021-09-01T08:24:02Z) - A Graph-based Interactive Reasoning for Human-Object Interaction
Detection [71.50535113279551]
本稿では,HOIを推論するインタラクティブグラフ(Interactive Graph, in-Graph)という,グラフに基づくインタラクティブ推論モデルを提案する。
In-GraphNet と呼ばれる HOI を検出するための新しいフレームワークを構築した。
私たちのフレームワークはエンドツーエンドのトレーニングが可能で、人間のポーズのような高価なアノテーションはありません。
論文 参考訳（メタデータ） (2020-07-14T09:29:03Z) - Contextualised Graph Attention for Improved Relation Extraction [18.435408046826048]
グラフベースのネットワークにおいて,複数のサブグラフを用いてリッチノード表現を学習する手法が提案されている。
GATモデルとGCNモデルとを効果的に組み合わせて関係抽出に適用する2種類のエッジ特徴を提案する。
提案したモデルは、Semeval 2010 Task 8データセット上で最先端のパフォーマンスを達成し、F1スコア86.3を達成する。
論文 参考訳（メタデータ） (2020-04-22T15:04:52Z) - Jointly Modeling Aspect and Sentiment with Dynamic Heterogeneous Graph
Neural Networks [27.59070337052869]
対象に基づく感性分析は、意見の側面(視点抽出)と感情の極性(感情検出)を検出することを目的としている。
以前のパイプラインと統合されたメソッドはどちらも、これらの2つの目的の間の自然的接続を正確にモデル化することができない。
本稿では,2つの目的を明示的な方法で共同でモデル化する新しい動的不均一グラフを提案する。
論文 参考訳（メタデータ） (2020-04-14T11:27:30Z)
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。