論文の概要: When and What to Ask Through World States and Text Instructions: IGLU NLP Challenge Solution

• arxiv url: http://arxiv.org/abs/2305.05754v1
• Date: Tue, 9 May 2023 20:23:17 GMT
• ステータス: 処理完了
• システム内更新日: 2023-05-11 15:22:48.963810
• Title: When and What to Ask Through World States and Text Instructions: IGLU NLP Challenge Solution
• Title（参考訳）: 世界状態とテキストのインストラクションを通じて、いつ、何を尋ねるか - iglu nlp challengeソリューション
• Authors: Zhengxiang Shi, Jerome Ramos, To Eun Kim, Xi Wang, Hossein A. Rahmani, Aldo Lipani
• Abstract要約: 協調作業においては、効果的なコミュニケーションが共同目標達成に不可欠である。 我々は対話を通してユーザ入力に基づく構造を構築するインテリジェントなビルダーエージェントの開発を目指している。
• 参考スコア（独自算出の注目度）: 6.36729066736314
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In collaborative tasks, effective communication is crucial for achieving joint goals. One such task is collaborative building where builders must communicate with each other to construct desired structures in a simulated environment such as Minecraft. We aim to develop an intelligent builder agent to build structures based on user input through dialogue. However, in collaborative building, builders may encounter situations that are difficult to interpret based on the available information and instructions, leading to ambiguity. In the NeurIPS 2022 Competition NLP Task, we address two key research questions, with the goal of filling this gap: when should the agent ask for clarification, and what clarification questions should it ask? We move towards this target with two sub-tasks, a classification task and a ranking task. For the classification task, the goal is to determine whether the agent should ask for clarification based on the current world state and dialogue history. For the ranking task, the goal is to rank the relevant clarification questions from a pool of candidates. In this report, we briefly introduce our methods for the classification and ranking task. For the classification task, our model achieves an F1 score of 0.757, which placed the 3rd on the leaderboard. For the ranking task, our model achieves about 0.38 for Mean Reciprocal Rank by extending the traditional ranking model. Lastly, we discuss various neural approaches for the ranking task and future direction.
• Abstract（参考訳）: 協調作業においては、効果的なコミュニケーションが共同目標達成に不可欠である。 そのようなタスクのひとつがコラボレーティブなビルディングで、ビルダーはMinecraftのようなシミュレートされた環境で望ましい構造を構築するために互いに通信する必要があります。 対話によるユーザ入力に基づく構造構築のためのインテリジェントビルダエージェントの開発を目指している。 しかし、共同建築では、構築者が利用可能な情報や指示に基づいて解釈しにくい状況に遭遇する可能性があり、曖昧さに繋がる。 NeurIPS 2022 Competition NLP Taskでは、このギャップを埋めるための2つの重要な研究課題に対処する。 2つのサブタスク、分類タスクとランキングタスクでこのターゲットに向かって移動します。 分類作業の目的は、エージェントが現在の世界状況と対話履歴に基づいて、明確化を求めるべきかを判断することである。 ランク付けタスクの目標は、候補者のプールから関連する明確化質問をランク付けすることである。 本報告では,分類・ランク付けタスクの方法を簡単に紹介する。 分類タスクでは,f1 スコア 0.757 を達成し,3 番目のスコアをリーダボードに配置した。 ランキングタスクでは,従来のランキングモデルを拡張することで平均相互ランクの約0.38を達成する。 最後に、ランキングタスクと今後の方向性に関する様々なニューラルアプローチについて議論する。

関連論文リスト

• Leverage Task Context for Object Affordance Ranking [57.59106517732223]
  25の共通タスク、50k以上の画像、661k以上のオブジェクトからなる、最初の大規模タスク指向のアベイランスランキングデータセットを構築しました。 その結果,タスクコンテキストに基づくアベイランス学習のパラダイムの実現可能性と,サリエンシランキングやマルチモーダルオブジェクト検出の分野における最先端モデルよりも,我々のモデルの方が優れていることが示された。
  論文  参考訳（メタデータ） (2024-11-25T04:22:33Z)
• Learning-To-Rank Approach for Identifying Everyday Objects Using a Physical-World Search Engine [0.8749675983608172]
  我々は,オープン語彙のユーザ命令から対象オブジェクトをループで検索する作業に焦点をあてる。 本稿では,学習からランクの物理オブジェクトタスクのための新しいアプローチであるMultiRankItを提案する。
  論文  参考訳（メタデータ） (2023-12-26T01:40:31Z)
• Don't Copy the Teacher: Data and Model Challenges in Embodied Dialogue [92.01165203498299]
  後続の身体的対話命令は、自然言語交換から複雑なタスクのシーケンスを完了させるエージェントを必要とする。 本稿では,模倣学習(IL)と関連する低レベルメトリクスが,実際には誤解を招くものであり,具体的対話研究の目標と一致していないことを論じる。
  論文  参考訳（メタデータ） (2022-10-10T05:51:40Z)
• Fast Inference and Transfer of Compositional Task Structures for Few-shot Task Generalization [101.72755769194677]
  本稿では,タスクがサブタスクグラフによって特徴づけられる,数発の強化学習問題として定式化する。 我々のマルチタスクサブタスクグラフ推論器(MTSGI)は、トレーニングタスクから、まず、サブタスクグラフの観点から、一般的なハイレベルなタスク構造を推測する。 提案手法は,2次元グリッドワールドおよび複雑なWebナビゲーション領域において,タスクの共通基盤構造を学習し,活用し,未知のタスクへの適応を高速化する。
  論文  参考訳（メタデータ） (2022-05-25T10:44:25Z)
• KETOD: Knowledge-Enriched Task-Oriented Dialogue [77.59814785157877]
  対話システム研究における既存の研究は、主にタスク指向の対話とチャットを独立したドメインとして扱う。 本研究では,タスク指向対話と知識ベースチップチャットを一つのモデルに効果的に統合する方法について検討する。
  論文  参考訳（メタデータ） (2022-05-11T16:01:03Z)
• Learning to Execute Actions or Ask Clarification Questions [9.784428580459776]
  命令をいつ要求するか、実行すべきかを判断できる新しいビルダーエージェントモデルを提案する。 実験結果から,本モデルが協調作業における最先端性能を達成できることが示唆された。
  論文  参考訳（メタデータ） (2022-04-18T15:36:02Z)
• Learning When and What to Ask: a Hierarchical Reinforcement Learning Framework [17.017688226277834]
  我々は、人間から追加情報を要求するタイミングを決定するための階層的な強化学習フレームワークを定式化した。 シミュレーションによるナビゲーション問題の結果から,本フレームワークの有効性が示された。
  論文  参考訳（メタデータ） (2021-10-14T01:30:36Z)
• Hierarchical Ranking for Answer Selection [19.379777219863964]
  階層的ランキング(hierarchical ranking)と呼ばれる,回答選択のための新しい戦略を提案する。 ポイントレベルのランキング、ペアレベルのランキング、リストレベルのランキングの3つのレベルを導入します。 WikiQA と TREC-QA の2つの公開データセットによる実験結果から,提案した階層的ランキングが有効であることを示す。
  論文  参考訳（メタデータ） (2021-02-01T07:35:52Z)
• CausalWorld: A Robotic Manipulation Benchmark for Causal Structure and Transfer Learning [138.40338621974954]
  CausalWorldは、ロボット操作環境における因果構造と伝達学習のベンチマークである。 タスクは、ブロックのセットから3D形状を構築することで構成される。
  論文  参考訳（メタデータ） (2020-10-08T23:01:13Z)
• Detecting and Classifying Malevolent Dialogue Responses: Taxonomy, Data and Methodology [68.8836704199096]
  コーパスベースの会話インタフェースは、テンプレートベースのエージェントや検索ベースのエージェントよりも多様な自然なレスポンスを生成することができる。 コーパスベースの会話エージェントの生成能力が増大すると、マレヴォレントな反応を分類し、フィルタリングする必要性が生じる。 不適切な内容の認識と分類に関するこれまでの研究は、主にある種のマレヴォレンスに焦点を絞っている。
  論文  参考訳（メタデータ） (2020-08-21T22:43:27Z)

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。