論文の概要: A Dynamic Graph Interactive Framework with Label-Semantic Injection for Spoken Language Understanding

• arxiv url: http://arxiv.org/abs/2211.04023v1
• Date: Tue, 8 Nov 2022 05:57:46 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-09 15:18:10.266905
• Title: A Dynamic Graph Interactive Framework with Label-Semantic Injection for Spoken Language Understanding
• Title（参考訳）: 音声言語理解のためのラベル・セマンティクスインジェクションを用いた動的グラフ対話型フレームワーク
• Authors: Zhihong Zhu, Weiyuan Xu, Xuxin Cheng, Tengtao Song and Yuexian Zou
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 43.48113981442722
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Multi-intent detection and slot filling joint models are gaining increasing traction since they are closer to complicated real-world scenarios. However, existing approaches (1) focus on identifying implicit correlations between utterances and one-hot encoded labels in both tasks while ignoring explicit label characteristics; (2) directly incorporate multi-intent information for each token, which could lead to incorrect slot prediction due to the introduction of irrelevant intent. In this paper, we propose a framework termed DGIF, which first leverages the semantic information of labels to give the model additional signals and enriched priors. Then, a multi-grain interactive graph is constructed to model correlations between intents and slots. Specifically, we propose a novel approach to construct the interactive graph based on the injection of label semantics, which can automatically update the graph to better alleviate error propagation. Experimental results show that our framework significantly outperforms existing approaches, obtaining a relative improvement of 13.7% over the previous best model on the MixATIS dataset in overall accuracy.
• Abstract（参考訳）: 複雑な現実シナリオに近いため,マルチインテント検出やスロット充填ジョイントモデルの普及が進んでいる。 しかし,既存のアプローチでは,(1)明示的なラベル特性を無視しつつ,両方のタスクにおいて発話とワンホット符号化ラベルの暗黙の相関関係を識別すること,(2)無関係な意図の導入によるスロット予測の誤りにつながる可能性のあるトークンに対して,複数のインテント情報を直接組み込むことに重点を置いている。 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。 次に、意図とスロット間の相関をモデル化するために、マルチグラインド・インタラクティブグラフを構築する。 具体的には,ラベルセマンティクスの注入に基づいてインタラクティブグラフを構築するための新しい手法を提案する。 実験の結果,これまでのmixatisデータセットのベストモデルと比較して,13.7%の相対的改善が得られた。

関連論文リスト

• MISCA: A Joint Model for Multiple Intent Detection and Slot Filling with Intent-Slot Co-Attention [9.414164374919029]
  グラフに基づくジョイントモデルである最近の高度なアプローチは、まだ2つの潜在的な問題に直面している。 我々はMISCAというジョイントモデルを提案する。 我々のMISCAは、意図-スロットのコアテンション機構とラベルアテンション機構の基盤層を導入している。
  論文  参考訳（メタデータ） (2023-12-10T03:38:41Z)
• 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)
• Co-guiding Net: Achieving Mutual Guidances between Multiple Intent Detection and Slot Filling via Heterogeneous Semantics-Label Graphs [39.76268402567324]
  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。
  論文  参考訳（メタデータ） (2022-10-19T08:34:51Z)
• A Graph-Enhanced Click Model for Web Search [67.27218481132185]
  ウェブ検索のための新しいグラフ強調クリックモデル(GraphCM)を提案する。 セッション内情報とセッション間情報の両方を、スパーシリティ問題とコールドスタート問題に活用する。
  論文  参考訳（メタデータ） (2022-06-17T08:32:43Z)
• 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)
• 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。