論文の概要: DORIC : Domain Robust Fine-Tuning for Open Intent Clustering through Dependency Parsing

• arxiv url: http://arxiv.org/abs/2303.09827v1
• Date: Fri, 17 Mar 2023 08:12:36 GMT
• ステータス: 処理完了
• システム内更新日: 2023-03-20 15:10:43.193393
• Title: DORIC : Domain Robust Fine-Tuning for Open Intent Clustering through Dependency Parsing
• Title（参考訳）: DORIC : 依存関係解析によるオープンインテントクラスタリングのためのドメインロバストファインチューニング
• Authors: Jihyun Lee, Seungyeon Seo, Yunsu Kim, Gary Geunbae Lee
• Abstract要約: DSTC11-Track2は、ゼロショット、クロスドメイン、インテントセットインジェクションのためのベンチマークを提供することを目的としている。 複数ドメインの対話データセットを利用して言語モデルを微調整し,Verb-Objectペアの抽出を提案する。 提案手法は精度スコアにおいて3位となり,ベースラインモデルよりも精度が向上し,相互情報(NMI)スコアが正常化した。
• 参考スコア（独自算出の注目度）: 14.709084509818474
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We present our work on Track 2 in the Dialog System Technology Challenges 11 (DSTC11). DSTC11-Track2 aims to provide a benchmark for zero-shot, cross-domain, intent-set induction. In the absence of in-domain training dataset, robust utterance representation that can be used across domains is necessary to induce users' intentions. To achieve this, we leveraged a multi-domain dialogue dataset to fine-tune the language model and proposed extracting Verb-Object pairs to remove the artifacts of unnecessary information. Furthermore, we devised the method that generates each cluster's name for the explainability of clustered results. Our approach achieved 3rd place in the precision score and showed superior accuracy and normalized mutual information (NMI) score than the baseline model on various domain datasets.
• Abstract（参考訳）: 本稿では,Dialog System Technology Challenges 11 (DSTC11) のトラック2について紹介する。 dstc11-track2はゼロショット、クロスドメイン、インテントセットインダクションのベンチマークを提供することを目的としている。 ドメイン内のトレーニングデータセットがない場合、ドメイン間で使用可能な堅牢な発話表現は、ユーザの意図を誘導するために必要である。 これを実現するために,多領域対話データセットを用いて言語モデルを微調整し,不要な情報のアーティファクトを取り除くためにVerb-Objectペアの抽出を提案する。 さらに,クラスタ化結果の解法として,各クラスタの名前を生成する手法を考案した。 提案手法は精度スコアにおいて3位となり, 各種ドメインデータセットのベースラインモデルよりも精度が高く, 正規化相互情報(NMI)スコアが高かった。

関連論文リスト

• Domain Adaptive Few-Shot Open-Set Learning [36.39622440120531]
  本稿では,DA-FSOS(Domain Adaptive Few-Shot Open Set Recognition)を提案する。 我々のトレーニングアプローチは、DAFOS-NETがターゲットドメインの新しいシナリオにうまく適応できるようにします。 本稿では,Office-Home,mini-ImageNet/CUB,DomainNetデータセットに基づくDA-FSOSの3つのベンチマークを示す。
  論文  参考訳（メタデータ） (2023-09-22T12:04:47Z)
• Collaborating Domain-shared and Target-specific Feature Clustering for Cross-domain 3D Action Recognition [32.430703190988375]
  本稿では、ドメイン共有機能とターゲット特化機能とを協調的にクラスタリングする、CoDTと呼ばれる新しいアプローチを提案する。 本稿では,ロバストな擬似ラベル生成と特徴クラスタリングの同時促進を可能にするオンラインクラスタリングアルゴリズムを提案する。 複数のドメイン間3D行動認識データセットについて広範な実験を行い,本手法の有効性を実証した。
  論文  参考訳（メタデータ） (2022-07-20T09:18:57Z)
• Semi-supervised Domain Adaptive Structure Learning [72.01544419893628]
  半教師付きドメイン適応 (SSDA) は,1) アノテーションの低いデータに過度に適合する手法と,2) ドメイン間の分散シフトの両方を克服しなければならない課題である。 SSLとDAの協調を正規化するための適応型構造学習手法を提案する。
  論文  参考訳（メタデータ） (2021-12-12T06:11:16Z)
• A cross-domain recommender system using deep coupled autoencoders [77.86290991564829]
  クロスドメインレコメンデーションのために2つの新しい結合型オートエンコーダに基づくディープラーニング手法を提案する。 最初の方法は、ソースドメインとターゲットドメイン内のアイテムの固有表現を明らかにするために、一対のオートエンコーダを同時に学習することを目的としている。 第2の方法は,2つのオートエンコーダを用いてユーザとアイテム待ち行列を深く非線形に生成する,新たな共同正規化最適化問題に基づいて導出する。
  論文  参考訳（メタデータ） (2021-12-08T15:14:26Z)
• Multi-Source Domain Adaptation for Object Detection [52.87890831055648]
  我々は、Divide-and-Merge Spindle Network (DMSN)と呼ばれる、より高速なR-CNNベースのフレームワークを提案する。 DMSNはドメイン非ネイティブを同時に強化し、識別力を維持することができる。 擬似目標部分集合の最適パラメータを近似する新しい擬似学習アルゴリズムを開発した。
  論文  参考訳（メタデータ） (2021-06-30T03:17:20Z)
• X2Parser: Cross-Lingual and Cross-Domain Framework for Task-Oriented Compositional Semantic Parsing [51.81533991497547]
  タスク指向コンポジションセマンティックパーシング(TCSP)は複雑なネストされたユーザクエリを処理する。 本報告では,TCSPの変換可能なクロスランガルとクロスドメインを比較した。 本稿では,フラット化意図とスロット表現を別々に予測し,両方の予測タスクをシーケンスラベリング問題にキャストすることを提案する。
  論文  参考訳（メタデータ） (2021-06-07T16:40:05Z)
• Inferring Latent Domains for Unsupervised Deep Domain Adaptation [54.963823285456925]
  Unsupervised Domain Adaptation (UDA)は、ラベル付きデータが利用できないターゲットドメインでモデルを学習する問題を指す。 本稿では,視覚データセット中の潜在ドメインを自動的に発見することにより,udaの問題に対処する新しい深層アーキテクチャを提案する。 提案手法を公開ベンチマークで評価し,最先端のドメイン適応手法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2021-03-25T14:33:33Z)
• Unified Multi-Domain Learning and Data Imputation using Adversarial Autoencoder [5.933303832684138]
  マルチドメイン学習(MDL)、データ計算(DI)、マルチタスク学習(MTL)を組み合わせた新しいフレームワークを提案する。 本手法のコアとなるのは,(1)ドメイン間の差を小さくするためにドメイン不変な埋め込みを生成すること,(2)各ドメインのデータ分布を学習し,欠落データに対するデータ計算を正しく行うこと,である。
  論文  参考訳（メタデータ） (2020-03-15T19:55:07Z)
• LiDARNet: A Boundary-Aware Domain Adaptation Model for Point Cloud Semantic Segmentation [18.211513930388417]
  我々は、LiDARスキャンフルシーンセマンティックセマンティックセグメンテーション(LiDARNet)のための境界対応ドメイン適応モデルを提案する。 我々のモデルは、ドメインプライベート機能とドメイン共有機能の両方を2ブランチ構造で抽出することができる。 このアプローチを用いることで、両方のドメインで動作する単一のプロジェクションベースのLiDARのフルシーンセマンティックセマンティックセマンティクスモデルが得られる。
  論文  参考訳（メタデータ） (2020-03-02T20:18:31Z)
• Universal-RCNN: Universal Object Detector via Transferable Graph R-CNN [117.80737222754306]
  我々はUniversal-RCNNと呼ばれる新しいユニバーサルオブジェクト検出器を提案する。 まず、すべてのカテゴリの高レベルなセマンティック表現を統合することで、グローバルなセマンティックプールを生成する。 ドメイン内推論モジュールは、空間認識GCNによってガイドされる1つのデータセット内のスパースグラフ表現を学習し、伝播する。
  論文  参考訳（メタデータ） (2020-02-18T07:57:45Z)
• MA-DST: Multi-Attention Based Scalable Dialog State Tracking [13.358314140896937]
  ダイアログ状態追跡ダイアログは、ユーザーが目標を達成するための自然言語インターフェースを提供する。 正確なマルチドメインDSTを実現するためには、過去の発話とスロットセマンティクス間の依存関係をエンコードする必要がある。 本稿では,会話履歴とスロットの意味を符号化する新しいアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2020-02-07T05:34:58Z)

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。