論文の概要: Improving the Generalizability of Collaborative Dialogue Analysis with Multi-Feature Embeddings

• arxiv url: http://arxiv.org/abs/2302.04716v1
• Date: Thu, 9 Feb 2023 15:58:32 GMT
• ステータス: 処理完了
• システム内更新日: 2023-02-10 15:26:19.734123
• Title: Improving the Generalizability of Collaborative Dialogue Analysis with Multi-Feature Embeddings
• Title（参考訳）: 多機能組込みによる協調対話分析の一般化可能性の向上
• Authors: Ayesha Enayet and Gita Sukthankar
• Abstract要約: 本稿では,多機能埋め込み(MFeEmb)を導入し,対話シーケンスに基づいてトレーニングされた競合予測モデルの一般化性を向上させる。 MFeEmbは、語彙的、対話的、感情的な特徴を取り入れることで、対話からテキスト、構造的、意味的な情報を活用する。 本稿では、1つのタスク領域からの談話に基づいてモデルを訓練し、異なるドメインでのチームパフォーマンスを予測するドメイン適応問題に対するMFeEmbの性能を示す。
• 参考スコア（独自算出の注目度）: 1.370633147306388
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Conflict prediction in communication is integral to the design of virtual agents that support successful teamwork by providing timely assistance. The aim of our research is to analyze discourse to predict collaboration success. Unfortunately, resource scarcity is a problem that teamwork researchers commonly face since it is hard to gather a large number of training examples. To alleviate this problem, this paper introduces a multi-feature embedding (MFeEmb) that improves the generalizability of conflict prediction models trained on dialogue sequences. MFeEmb leverages textual, structural, and semantic information from the dialogues by incorporating lexical, dialogue acts, and sentiment features. The use of dialogue acts and sentiment features reduces performance loss from natural distribution shifts caused mainly by changes in vocabulary. This paper demonstrates the performance of MFeEmb on domain adaptation problems in which the model is trained on discourse from one task domain and applied to predict team performance in a different domain. The generalizability of MFeEmb is quantified using the similarity measure proposed by Bontonou et al. (2021). Our results show that MFeEmb serves as an excellent domain-agnostic representation for meta-pretraining a few-shot model on collaborative multiparty dialogues.
• Abstract（参考訳）: コミュニケーションにおけるコンフリクト予測は、タイムリーな支援を提供することでチームワークを成功させる仮想エージェントの設計に不可欠である。 本研究の目的は,会話を分析し,コラボレーションの成功を予測することである。 残念なことに、リソース不足は、多くのトレーニング例を集めることが難しいため、チームワーク研究者が直面する問題である。 この問題を軽減するため,本論文では対話列で訓練された競合予測モデルの一般化性を向上させる多機能組込み(mfeemb)を提案する。 mfeembは、語彙的、対話的行為、感情的特徴を取り入れることで、対話からテキスト的、構造的、セマンティックな情報を活用する。 対話行動と感情特徴の使用は、主に語彙の変化によって引き起こされる自然分布シフトによるパフォーマンス損失を減少させる。 本稿では、1つのタスク領域からの談話に基づいてモデルを訓練し、異なるドメインでのチームパフォーマンスを予測するドメイン適応問題に対するMFeEmbの性能を示す。 MFeEmb の一般化性は Bontonou et al. (2021) によって提唱された類似度尺度を用いて定量化される。 以上の結果から,mfeembは協調的多人数対話における数発モデルのメタプリトレーニングに優れたドメイン非依存表現として機能することが示された。

関連論文リスト

• Fine-Grained Analysis of Team Collaborative Dialogue [1.363890704621148]
  Slackチャットを用いたソフトウェア開発領域における説明可能な分析ツールの開発に向けた最初の取り組みについて説明する。 本研究では,対話行動の発生頻度に基づく記述的メトリクスの設計と,長距離コンテキストを組み込むための変換器+CRFアーキテクチャを用いた初期結果を作成する。
  論文  参考訳（メタデータ） (2023-12-09T05:38:32Z)
• DiPlomat: A Dialogue Dataset for Situated Pragmatic Reasoning [89.92601337474954]
  プラグマティック推論は、実生活における会話でしばしば起こる暗黙の意味を解読する上で重要な役割を担っている。 そこで我々は,現実的な推論と会話理解の場所に関するマシンの能力のベンチマークを目的とした,新しい挑戦であるDiPlomatを紹介した。
  論文  参考訳（メタデータ） (2023-06-15T10:41:23Z)
• Pre-training Multi-party Dialogue Models with Latent Discourse Inference [85.9683181507206]
  我々は、多人数対話の会話構造、すなわち、各発話が応答する相手を理解するモデルを事前訓練する。 ラベル付きデータを完全に活用するために,談話構造を潜在変数として扱い,それらを共同で推論し,談話認識モデルを事前学習することを提案する。
  論文  参考訳（メタデータ） (2023-05-24T14:06:27Z)
• Manual-Guided Dialogue for Flexible Conversational Agents [84.46598430403886]
  対話データを効率的に構築し、利用する方法や、さまざまなドメインにモデルを大規模にデプロイする方法は、タスク指向の対話システムを構築する上で重要な問題である。 エージェントは対話とマニュアルの両方からタスクを学習する。 提案手法は,詳細なドメインオントロジーに対する対話モデルの依存性を低減し,様々なドメインへの適応をより柔軟にする。
  論文  参考訳（メタデータ） (2022-08-16T08:21:12Z)
• Counterfactual Reasoning for Out-of-distribution Multimodal Sentiment Analysis [56.84237932819403]
  本稿では,OODの高次一般化に対するテキストモダリティの悪影響を推定・緩和することを目的とする。 そこで本研究では,マルチモーダル感情分析のためのモデルに依存しない反現実的フレームワークを考案した。
  論文  参考訳（メタデータ） (2022-07-24T03:57:40Z)
• Representation Learning for Conversational Data using Discourse Mutual Information Maximization [9.017156603976915]
  構造を意識しない単語・バイ・ワード生成は効果的な会話モデリングには適さないと我々は主張する。 対話表現モデルの学習のための構造認識型相互情報に基づく損失関数DMIを提案する。 本モデルでは,対話評価タスクであるDailyDialog++において,ランダムな負のシナリオと逆のシナリオの両方において,最も有望な性能を示す。
  論文  参考訳（メタデータ） (2021-12-04T13:17:07Z)
• Improving Multi-Party Dialogue Discourse Parsing via Domain Integration [25.805553277418813]
  マルチパーティ会話は、対話的なターン間のセマンティックレベルの相関によって暗黙的に組織される。 対話談話分析は,基本談話単位間の係り受け構造と関係の予測に応用できる。 対話談話アノテーションを持つ既存のコーパスは、限られたサンプルサイズを持つ特定のドメインから収集される。
  論文  参考訳（メタデータ） (2021-10-09T09:36:22Z)
• Learning an Effective Context-Response Matching Model with Self-Supervised Tasks for Retrieval-based Dialogues [88.73739515457116]
  我々は,次のセッション予測,発話復元,不整合検出,一貫性判定を含む4つの自己教師型タスクを導入する。 我々はPLMに基づく応答選択モデルとこれらの補助タスクをマルチタスク方式で共同で訓練する。 実験結果から,提案した補助的自己教師型タスクは,多ターン応答選択において大きな改善をもたらすことが示された。
  論文  参考訳（メタデータ） (2020-09-14T08:44:46Z)
• 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)

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。