論文の概要: A Hybrid Architecture for Out of Domain Intent Detection and Intent
Discovery
- arxiv url: http://arxiv.org/abs/2303.04134v2
- Date: Sun, 30 Jul 2023 16:38:23 GMT
- ステータス: 処理完了
- システム内更新日: 2023-08-01 23:15:47.282851
- Title: A Hybrid Architecture for Out of Domain Intent Detection and Intent
Discovery
- Title(参考訳): ドメイン外インテント検出とインテント発見のためのハイブリッドアーキテクチャ
- Authors: Masoud Akbari, Ali Mohades, M. Hassan Shirali-Shahreza
- Abstract要約: Out of Scope (OOS) と Out of Domain (OOD) の入力はタスク指向システムに問題をもたらす可能性がある。
タスク指向対話システムにおいて、Intent Detectionのモデルをトレーニングするためにラベル付きデータセットが必要である。
ラベル付きデータセットの作成には時間がかかり、人的リソースが必要です。
その結果,OOD/OOS Intent Detection と Intent Discovery の双方のモデルが優れた結果が得られることがわかった。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Intent Detection is one of the tasks of the Natural Language Understanding
(NLU) unit in task-oriented dialogue systems. Out of Scope (OOS) and Out of
Domain (OOD) inputs may run these systems into a problem. On the other side, a
labeled dataset is needed to train a model for Intent Detection in
task-oriented dialogue systems. The creation of a labeled dataset is
time-consuming and needs human resources. The purpose of this article is to
address mentioned problems. The task of identifying OOD/OOS inputs is named
OOD/OOS Intent Detection. Also, discovering new intents and pseudo-labeling of
OOD inputs is well known by Intent Discovery. In OOD intent detection part, we
make use of a Variational Autoencoder to distinguish between known and unknown
intents independent of input data distribution. After that, an unsupervised
clustering method is used to discover different unknown intents underlying
OOD/OOS inputs. We also apply a non-linear dimensionality reduction on OOD/OOS
representations to make distances between representations more meaning full for
clustering. Our results show that the proposed model for both OOD/OOS Intent
Detection and Intent Discovery achieves great results and passes baselines in
English and Persian languages.
- Abstract(参考訳): Intent Detectionは、タスク指向対話システムにおける自然言語理解ユニット(NLU)のタスクの1つである。
Out of Scope (OOS) と Out of Domain (OOD) の入力は、これらのシステムを問題に陥る可能性がある。
一方、タスク指向対話システムにおいて、Intent Detectionのモデルをトレーニングするためにラベル付きデータセットが必要である。
ラベル付きデータセットの作成には時間がかかり、人的リソースが必要です。
この記事の目的は、上記の問題に対処することである。
OOD/OOS入力を識別するタスクは、OOD/OOS Intent Detectionと呼ばれる。
また、新しい意図の発見やOOD入力の擬似ラベル付けもIntent Discoveryでよく知られている。
OODインテント検出部では,入力データ分布に依存しない未知のインテントを識別するために変分オートエンコーダを用いる。
その後、教師なしクラスタリング法を用いて、OOD/OOS入力の裏にある異なる未知の意図を発見する。
また,OOD/OOS表現に対して,クラスタリングに満ちた表現間の距離を拡大するために,非線形次元削減手法を適用した。
提案手法は,OOD/OOS Intent DetectionとIntent Discoveryの双方で優れた結果が得られ,英語とペルシア語のベースラインを通過することを示す。
関連論文リスト
- Continual Generalized Intent Discovery: Marching Towards Dynamic and
Open-world Intent Recognition [25.811639218862958]
Generalized Intent Discovery (GID)は、OOD学習の1段階のみを考慮し、過去のすべての段階におけるデータを共同トレーニングに活用する必要がある。
Continual Generalized Intent Discovery (CGID)は、動的OODデータストリームからOODインテントを継続的にかつ自動的に検出することを目的としている。
PLRDはクラスプロトタイプを通じて新しいインテント発見をブートストラップし、データ再生と特徴蒸留を通じて新しいインテントと古いインテントのバランスをとる。
論文 参考訳(メタデータ) (2023-10-16T08:48:07Z) - Beyond AUROC & co. for evaluating out-of-distribution detection
performance [50.88341818412508]
安全(r)AIとの関連性を考えると,OOD検出法の比較の基礎が実用的ニーズと整合しているかどうかを検討することが重要である。
我々は,IDとOODの分離が不十分なことを明示する新しい指標であるAUTC(Area Under the Threshold Curve)を提案する。
論文 参考訳(メタデータ) (2023-06-26T12:51:32Z) - SalienDet: A Saliency-based Feature Enhancement Algorithm for Object
Detection for Autonomous Driving [160.57870373052577]
未知の物体を検出するために,サリエンデット法(SalienDet)を提案する。
我々のSaienDetは、オブジェクトの提案生成のための画像機能を強化するために、サリエンシに基づくアルゴリズムを利用している。
オープンワールド検出を実現するためのトレーニングサンプルセットにおいて、未知のオブジェクトをすべてのオブジェクトと区別するためのデータセットレザベリングアプローチを設計する。
論文 参考訳(メタデータ) (2023-05-11T16:19:44Z) - Out-of-Domain Intent Detection Considering Multi-Turn Dialogue Contexts [91.43701971416213]
我々は,OODインテント検出タスクにおけるマルチターンコンテキストをモデル化するためのコンテキスト認識型OODインテント検出(Caro)フレームワークを提案する。
CaroはF1-OODスコアを29%以上改善することで、マルチターンOOD検出タスクの最先端性能を確立している。
論文 参考訳(メタデータ) (2023-05-05T01:39:21Z) - Background Matters: Enhancing Out-of-distribution Detection with Domain
Features [90.32910087103744]
OODサンプルは任意の分布から引き出すことができ、様々な次元における分布内(ID)データからの偏差を示す。
既存の方法は、ドメインの特徴のような他の次元を無視しながら、意味的特徴に基づいてOODサンプルを検出することに重点を置いている。
本稿では,IDトレーニングサンプルからドメインの特徴を高密度な予測手法により学習することのできる,新しい汎用フレームワークを提案する。
論文 参考訳(メタデータ) (2023-03-15T16:12:14Z) - YolOOD: Utilizing Object Detection Concepts for Multi-Label
Out-of-Distribution Detection [25.68925703896601]
YolOODは、オブジェクト検出領域の概念を利用して、マルチラベル分類タスクでOOD検出を行う方法である。
提案手法を最先端のOOD検出手法と比較し,OODベンチマークデータセットの総合的なスイートにおいて,YolOODがこれらの手法より優れていることを示す。
論文 参考訳(メタデータ) (2022-12-05T07:52:08Z) - UniNL: Aligning Representation Learning with Scoring Function for OOD
Detection via Unified Neighborhood Learning [32.69035328161356]
我々は,OODの意図を検出するために,統一された近傍学習フレームワーク (UniNL) を提案する。
具体的には、表現学習のためのK-nearest neighbor contrastive learning(KNCL)を設計し、OOD検出のためのKNNベースのスコアリング機能を導入する。
論文 参考訳(メタデータ) (2022-10-19T17:06:34Z) - Generalized Intent Discovery: Learning from Open World Dialogue System [34.39483579171543]
Generalized Intent Discovery (GID)は、INDインテント分類器をINDインテントやOODインテントを含むオープンワールドインテントセットに拡張することを目的としている。
異なるアプリケーションシナリオのための3つのパブリックデータセットを構築し、2種類のフレームワークを提案する。
論文 参考訳(メタデータ) (2022-09-13T14:31:53Z) - Triggering Failures: Out-Of-Distribution detection by learning from
local adversarial attacks in Semantic Segmentation [76.2621758731288]
セグメンテーションにおけるアウト・オブ・ディストリビューション(OOD)オブジェクトの検出に取り組む。
私たちの主な貢献は、ObsNetと呼ばれる新しいOOD検出アーキテクチャであり、ローカル・アタック(LAA)に基づく専用トレーニングスキームと関連付けられています。
3つの異なるデータセットの文献の最近の10つの手法と比較して,速度と精度の両面で最高の性能が得られることを示す。
論文 参考訳(メタデータ) (2021-08-03T17:09:56Z) - Discriminative Nearest Neighbor Few-Shot Intent Detection by
Transferring Natural Language Inference [150.07326223077405]
データ不足を緩和するためには、ほとんどショットラーニングが注目を集めている。
深部自己注意を伴う識別的近傍分類を提示する。
自然言語推論モデル(NLI)を変換することで識別能力を高めることを提案する。
論文 参考訳(メタデータ) (2020-10-25T00:39:32Z)
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。