論文の概要: Zero-Shot Learning for Joint Intent and Slot Labeling

• arxiv url: http://arxiv.org/abs/2212.07922v1
• Date: Tue, 29 Nov 2022 01:58:25 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-18 18:58:21.365590
• Title: Zero-Shot Learning for Joint Intent and Slot Labeling
• Title（参考訳）: ジョイントインテントとスロットラベリングのためのゼロショット学習
• Authors: Rashmi Gangadharaiah and Balakrishnan Narayanaswamy
• Abstract要約: 共同ゼロショットインテント分類とスロットラベリングを有益に行うことができることを示す。 本稿では,単語と文の埋め込み空間を翻訳するNNアーキテクチャについて述べる。
• 参考スコア（独自算出の注目度）: 11.82805641934772
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: It is expensive and difficult to obtain the large number of sentence-level intent and token-level slot label annotations required to train neural network (NN)-based Natural Language Understanding (NLU) components of task-oriented dialog systems, especially for the many real world tasks that have a large and growing number of intents and slot types. While zero shot learning approaches that require no labeled examples -- only features and auxiliary information -- have been proposed only for slot labeling, we show that one can profitably perform joint zero-shot intent classification and slot labeling. We demonstrate the value of capturing dependencies between intents and slots, and between different slots in an utterance in the zero shot setting. We describe NN architectures that translate between word and sentence embedding spaces, and demonstrate that these modifications are required to enable zero shot learning for this task. We show a substantial improvement over strong baselines and explain the intuition behind each architectural modification through visualizations and ablation studies.
• Abstract（参考訳）: ニューラルネットワーク(nn)ベースの自然言語理解(nlu)コンポーネントのタスク指向ダイアログシステムのトレーニングに必要な大量の文レベルのインテントとトークンレベルのスロットラベルアノテーションを得ることは、高価かつ困難である。 ラベル付き例を必要としないゼロショット学習アプローチ - 特徴と補助情報のみ - はスロットラベリングにのみ提案されているが,ゼロショットインテント分類とスロットラベリングを併用することで利益を得られることを示す。 我々は,インテントとスロット間の依存性と,ゼロショット設定の発話における異なるスロット間の依存性をキャプチャする価値を示す。 我々は、単語と文の埋め込み空間を翻訳するnnアーキテクチャを説明し、これらの修正は、このタスクのためにゼロショット学習を可能にするために必要であることを示す。 強固なベースラインよりも大幅に改善し、可視化とアブレーションの研究を通じて各アーキテクチャの変更の背後にある直感を説明する。

関連論文リスト

• Generalized Label-Efficient 3D Scene Parsing via Hierarchical Feature Aligned Pre-Training and Region-Aware Fine-tuning [55.517000360348725]
  本研究は,ラベル付きシーンが極めて限定された場合の3次元シーン理解のためのフレームワークを提案する。 事前学習された視覚言語モデルから新しいカテゴリーの知識を抽出するために,階層的特徴整合型事前学習と知識蒸留戦略を提案する。 室内と屋外の両方で実験を行ったところ、データ効率のよい学習とオープンワールドの複数ショット学習の両方において、我々のアプローチの有効性が示された。
  論文  参考訳（メタデータ） (2023-12-01T15:47:04Z)
• HierarchicalContrast: A Coarse-to-Fine Contrastive Learning Framework for Cross-Domain Zero-Shot Slot Filling [4.1940152307593515]
  ドメイン間のゼロショットスロットフィリングは、モデルを学ぶためにソースドメイン知識を活用する上で重要な役割を果たす。 既存のゼロショットスロット充填法では、ターゲット領域での一般化能力が制限されている。 ゼロショットスロットフィリングのための新しい階層型コントラスト学習フレームワーク(HiCL)を提案する。
  論文  参考訳（メタデータ） (2023-10-13T14:23:33Z)
• Slot Induction via Pre-trained Language Model Probing and Multi-level Contrastive Learning [62.839109775887025]
  トークンレベルのスロットアノテーションの明示的な知識なしでスロット境界を誘導することを目的としたスロットインジェクション(SI)タスク。 PLMから抽出した教師なし意味知識を活用するために、教師なし事前学習言語モデル(PLM)探索とコントラスト学習機構を活用することを提案する。 提案手法は,2つのNLUベンチマークデータセット上でトークンレベルの教師付きモデルとのギャップを埋めることができ,SIタスクに有効であることが示されている。
  論文  参考訳（メタデータ） (2023-08-09T05:08:57Z)
• Recognizing Unseen Objects via Multimodal Intensive Knowledge Graph Propagation [68.13453771001522]
  画像の領域と対応するセマンティック埋め込みとをマッチングする多モード集中型ZSLフレームワークを提案する。 我々は、大規模な実世界のデータに基づいて、広範囲な実験を行い、そのモデルを評価する。
  論文  参考訳（メタデータ） (2023-06-14T13:07:48Z)
• Vocabulary-informed Zero-shot and Open-set Learning [128.83517181045815]
  本稿では,教師付き,ゼロショット,一般化されたゼロショット,オープンセット認識の問題に対処する語彙インフォームド学習を提案する。 具体的には、(教師なしと教師なしの両方)語彙からの距離制約を取り入れた意味多様体に基づく認識のための重み付けされた最大縁フレームワークを提案する。 得られたモデルは、教師付き、ゼロショット、一般化されたゼロショット、および大きなオープンセット認識の改善を示し、Animal with AttributesとImageNetデータセットで最大310Kの語彙を持つ。
  論文  参考訳（メタデータ） (2023-01-03T08:19:22Z)
• Cross-modal Representation Learning for Zero-shot Action Recognition [67.57406812235767]
  我々は、ゼロショット動作認識(ZSAR)のためのビデオデータとテキストラベルを共同で符号化するクロスモーダルトランスフォーマーベースのフレームワークを提案する。 我々のモデルは概念的に新しいパイプラインを使用し、視覚的表現と視覚的意味的関連をエンドツーエンドで学習する。 実験結果から,本モデルはZSARの芸術的状況に大きく改善され,UCF101,HMDB51,ActivityNetベンチマークデータセット上でトップ1の精度が向上した。
  論文  参考訳（メタデータ） (2022-05-03T17:39:27Z)
• An Explicit-Joint and Supervised-Contrastive Learning Framework for Few-Shot Intent Classification and Slot Filling [12.85364483952161]
  Intent Classification (IC) と slot fill (SF) はタスク指向対話システムにおいて重要なビルディングブロックである。 クラスごとのトレーニングサンプルの数が非常に少ない場合、IC/SFモデルはほとんど機能しない。 そこで本稿では,数ショットの意図分類とスロットフィリングのための,明示的かつ教師付きコントラスト学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2021-10-26T13:28:28Z)
• Linguistically-Enriched and Context-Aware Zero-shot Slot Filling [6.06746295810681]
  スロット充填は、現代のタスク指向ダイアログシステムの最も重要な課題の1つです。 新たなドメイン(すなわち、トレーニングの見当たらない)がデプロイ後に出現する可能性がある。 モデルがシームレスに適応し、見えないドメインと見えないドメインの両方からスロットを埋めることは必須である。
  論文  参考訳（メタデータ） (2021-01-16T20:18:16Z)
• Learning Disentangled Intent Representations for Zero-shot Intent Detection [13.19024497857648]
  DIR(Disentangled Representations)を学習するために、見知らぬクラスラベルを利用するクラス変換フレームワークを提案する。 本枠組みでは,意図の区別をモデルが学習することを奨励するマルチタスク学習の目標を提案する。 2つの実世界のデータセットの実験は、提案されたフレームワークがベースラインシステムに一貫した改善をもたらすことを示している。
  論文  参考訳（メタデータ） (2020-12-03T06:41:09Z)
• 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。