論文の概要: Effective Open Intent Classification with K-center Contrastive Learning and Adjustable Decision Boundary

• arxiv url: http://arxiv.org/abs/2304.10220v1
• Date: Thu, 20 Apr 2023 11:35:06 GMT
• ステータス: 処理完了
• システム内更新日: 2023-04-21 13:41:08.367427
• Title: Effective Open Intent Classification with K-center Contrastive Learning and Adjustable Decision Boundary
• Title（参考訳）: k-center contrastive learningと調整可能な決定境界を用いた効果的なオープンインテント分類
• Authors: Xiaokang Liu, Jianquan Li, Jingjing Mu, Min Yang, Ruifeng Xu, and Benyou Wang
• Abstract要約: オープンインテント分類の有効性を向上するために,新しいK中心のコントラスト学習とCLAB(Compactable decision boundary learning)を導入する。 具体的には,K中心のコントラスト学習アルゴリズムを考案し,差別的かつバランスの取れた意図的特徴を学習する。 次に、決定中心と決定境界の半径からなる、既知の意図クラス毎に決定境界を学習する。
• 参考スコア（独自算出の注目度）: 28.71330804762103
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Open intent classification, which aims to correctly classify the known intents into their corresponding classes while identifying the new unknown (open) intents, is an essential but challenging task in dialogue systems. In this paper, we introduce novel K-center contrastive learning and adjustable decision boundary learning (CLAB) to improve the effectiveness of open intent classification. First, we pre-train a feature encoder on the labeled training instances, which transfers knowledge from known intents to unknown intents. Specifically, we devise a K-center contrastive learning algorithm to learn discriminative and balanced intent features, improving the generalization of the model for recognizing open intents. Second, we devise an adjustable decision boundary learning method with expanding and shrinking (ADBES) to determine the suitable decision conditions. Concretely, we learn a decision boundary for each known intent class, which consists of a decision center and the radius of the decision boundary. We then expand the radius of the decision boundary to accommodate more in-class instances if the out-of-class instances are far from the decision boundary; otherwise, we shrink the radius of the decision boundary. Extensive experiments on three benchmark datasets clearly demonstrate the effectiveness of our method for open intent classification. For reproducibility, we submit the code at: https://github.com/lxk00/CLAP
• Abstract（参考訳）: open intent classification(オープンインテント分類)は、未知の(オープン)インテントを識別しながら、既知のインテントを対応するクラスに正しく分類することを目的としている。 本稿では、オープンインテント分類の有効性を改善するために、新しいK中心コントラスト学習と調整可能な決定境界学習(CLAB)を導入する。 まず、ラベル付きトレーニングインスタンスで機能エンコーダを事前トレーニングし、既知の意図から未知の意図に知識を伝達する。 具体的には,k中心のコントラスト学習アルゴリズムを考案し,識別的かつバランスのとれたインテントの特徴を学習し,オープンインテントを認識するモデルの一般化を改善した。 次に,ADBESを拡張・縮小し,適切な決定条件を決定するための調整可能な決定境界学習法を提案する。 具体的には、決定中心と決定境界の半径からなる、既知の各意図クラスに対する決定境界を学習する。 次に、決定境界の半径を拡大して、クラス外インスタンスが決定境界から遠く離れている場合、より多くのクラス内インスタンスに対応できるようにし、そうでなければ、決定境界の半径を縮小します。 3つのベンチマークデータセットの大規模な実験により,オープンインテント分類法の有効性が明らかとなった。 再現性のために、 https://github.com/lxk00/CLAP

関連論文リスト

• Open-Set Automatic Target Recognition [52.27048031302509]
  オートマチックターゲット認識(Automatic Target Recognition、ATR)は、異なるセンサーから取得したデータに基づいてターゲットを認識しようとするコンピュータビジョンアルゴリズムのカテゴリである。 既存のATRアルゴリズムは、トレーニングとテストが同じクラス分布を持つ従来のクローズドセット手法向けに開発されている。 ATRアルゴリズムのオープンセット認識機能を実現するためのオープンセット自動ターゲット認識フレームワークを提案する。
  論文  参考訳（メタデータ） (2022-11-10T21:28:24Z)
• Discovering New Intents Using Latent Variables [51.50374666602328]
  本稿では,意図の割り当てを潜伏変数として扱う意図を発見するための確率的フレームワークを提案する。 E-step, we conducting intents and explore the intrinsic structure of unlabeled data by the rear of intent assignments。 M段階において、ラベル付きデータの識別を最適化することにより、既知の意図から伝達される事前知識の忘れを緩和する。
  論文  参考訳（メタデータ） (2022-10-21T08:29:45Z)
• Learning to Classify Open Intent via Soft Labeling and Manifold Mixup [10.863749481341497]
  オープンインテント分類は対話システムにおいて実用的だが難しい課題である。 外乱検出アルゴリズムを使わずに別の方法を考える。 ソフトラベリングとマニフォールド・ミックスアップに基づくディープモデルを提案する。
  論文  参考訳（メタデータ） (2022-04-16T14:10:07Z)
• R(Det)^2: Randomized Decision Routing for Object Detection [64.48369663018376]
  本稿では,決定木とディープニューラルネットワークをエンドツーエンドの学習方法で組み合わせたオブジェクト検出手法を提案する。 効率的な学習を容易にするために,ノード選択型および連想型損失を伴うランダム化決定経路を提案する。 このアプローチをオブジェクト検出のためのランダム化決定ルーティングとして、R(Det)$2$と略す。
  論文  参考訳（メタデータ） (2022-04-02T07:54:58Z)
• Learning Discriminative Representations and Decision Boundaries for Open Intent Detection [16.10123071366136]
  オープンインテント検出は自然言語理解において重要な問題である。 オープンな意図検出のための距離認識意図表現と適応的決定境界を学習するDA-ADBを提案する。 我々のフレームワークは3つのベンチマークデータセットで大幅に改善されている。
  論文  参考訳（メタデータ） (2022-03-11T10:02:09Z)
• Deep Open Intent Classification with Adaptive Decision Boundary [21.478553057876972]
  オープン意図分類のための適応決定境界(ADB)を学習するための後処理手法を提案する。 具体的には,経験的リスクとオープンスペースリスクを両立させる新たな損失関数を提案する。 私たちのアプローチは、ラベル付きデータが少なく、既知の意図が少ないと驚くほど非感受性です。
  論文  参考訳（メタデータ） (2020-12-18T13:05:11Z)
• Discovering New Intents with Deep Aligned Clustering [19.11073686645496]
  限定された既知の意図データを用いて新しい意図を発見するための効果的な方法であるDeep Aligned Clusteringを提案する。 未知の新たな意図によって、低信頼な意図的クラスタを排除し、意図的カテゴリの数を予測する。 2つのベンチマークデータセットの実験は、私たちの方法がより堅牢であり、最先端の方法よりも大幅に改善されることを示しています。
  論文  参考訳（メタデータ） (2020-12-16T14:32:06Z)
• Learning Open Set Network with Discriminative Reciprocal Points [70.28322390023546]
  オープンセット認識は、事前に定義されたクラスからサンプルを同時に分類し、残りを「未知」として識別することを目的としている。 本稿では,各既知圏に対応するクラス外空間のポテンシャル表現であるReciprocal Pointを提案する。 相互点によって構成される有界空間に基づいて、未知のリスクは多圏相互作用によって減少する。
  論文  参考訳（メタデータ） (2020-10-31T03:20:31Z)
• 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)
• Few-Shot Open-Set Recognition using Meta-Learning [72.15940446408824]
  オープンセット認識の問題点を考察する。 新しいoPen sEt mEta LEaRning (PEELER)アルゴリズムが導入された。
  論文  参考訳（メタデータ） (2020-05-27T23:49:26Z)

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。