論文の概要: Multijugate Dual Learning for Low-Resource Task-Oriented Dialogue System
- arxiv url: http://arxiv.org/abs/2305.16106v1
- Date: Thu, 25 May 2023 14:38:05 GMT
- ステータス: 処理完了
- システム内更新日: 2023-05-26 14:38:34.161345
- Title: Multijugate Dual Learning for Low-Resource Task-Oriented Dialogue System
- Title(参考訳): 低リソースタスク指向対話システムのためのマルチアジュゲートデュアル学習
- Authors: Shimin Li, Xiaotian Zhang, Yanjun Zheng, Linyang Li, Xipeng Qiu
- Abstract要約: 低リソースシナリオにおけるデータ利用効率は、不確実な発話および決定論的対話状態のマイニングアライメント情報によって向上することができる。
タスク指向対話における二元学習を革新的に実装し、異種データの相関性を利用する。
- 参考スコア(独自算出の注目度): 40.072084239764465
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Dialogue data in real scenarios tend to be sparsely available, rendering
data-starved end-to-end dialogue systems trained inadequately. We discover that
data utilization efficiency in low-resource scenarios can be enhanced by mining
alignment information uncertain utterance and deterministic dialogue state.
Therefore, we innovatively implement dual learning in task-oriented dialogues
to exploit the correlation of heterogeneous data. In addition, the one-to-one
duality is converted into a multijugate duality to reduce the influence of
spurious correlations in dual training for generalization. Without introducing
additional parameters, our method could be implemented in arbitrary networks.
Extensive empirical analyses demonstrate that our proposed method improves the
effectiveness of end-to-end task-oriented dialogue systems under multiple
benchmarks and obtains state-of-the-art results in low-resource scenarios.
- Abstract(参考訳): 実際のシナリオでの対話データはわずかに利用でき、データスターベッドなエンドツーエンドの対話システムは不十分に訓練される。
情報の不確実性や決定論的対話状態のマイニングにより,低リソースシナリオにおけるデータ利用効率の向上が期待できる。
そこで,タスク指向対話における二元学習を革新的に実装し,異種データの相関性を利用する。
さらに、1対1の双対性は多元双対性に変換され、一般化のための双対トレーニングにおける突発的相関の影響を低減する。
追加パラメータを導入することなく,任意のネットワークに実装できる。
提案手法は,複数のベンチマークによるタスク指向対話システムの有効性を向上し,低リソースシナリオにおける最先端結果が得られることを示す。
関連論文リスト
- Balancing Accuracy and Efficiency in Multi-Turn Intent Classification for LLM-Powered Dialog Systems in Production [6.459396785817196]
本稿では,本システムにおけるスケーラビリティ向上と遅延低減のための新しい2つのアプローチを提案する。
まず,タスクの複雑さを低減し,マルチターン対話におけるパフォーマンスを向上させるために,意図ラベルを簡略化するシンボリックチューニングを提案する。
第2に,データ拡張と擬似ラベル作成にLLMを用いるフレームワークであるC-LARAを提案する。
論文 参考訳(メタデータ) (2024-11-19T07:48:35Z) - Multi-Stage Coarse-to-Fine Contrastive Learning for Conversation Intent
Induction [34.25242109800481]
本稿では,第11回対話システム技術チャレンジ(DSTC11)におけるタスク指向対話における会話からのインテントインジェクションの追跡方法について述べる。
意図的クラスタリングの本質は、異なる対話発話の表現を区別することにある。
DSTC11の評価結果では,このトラックの2つのサブタスクのうちの1位が提案システムである。
論文 参考訳(メタデータ) (2023-03-09T04:51:27Z) - Collaborative Reasoning on Multi-Modal Semantic Graphs for
Video-Grounded Dialogue Generation [53.87485260058957]
本研究では,対話コンテキストと関連ビデオに基づいて応答を生成するビデオグラウンド・ダイアログ生成について検討する。
本課題の主な課題は,(1)事前学習言語モデル(PLM)に映像データを統合することの難しさである。
異なるモーダルの推論を協調的に行うマルチエージェント強化学習法を提案する。
論文 参考訳(メタデータ) (2022-10-22T14:45:29Z) - Leveraging Non-dialogue Summaries for Dialogue Summarization [1.0742675209112622]
要約データペアの文書化に変換を適用して,対話の要約に適したトレーニングデータを作成する。
我々は、我々のアプローチを検証するために、英語と韓国語の両方で広範な実験を行っている。
論文 参考訳(メタデータ) (2022-10-17T23:34:31Z) - Quick Starting Dialog Systems with Paraphrase Generation [0.0]
本稿では,既存の事例からより多くのデータを人工的に生成することで,対話エージェント作成のコストと労力を削減する手法を提案する。
提案手法は,人間の努力がほとんどないダイアログシステムを起動し,実際のエンドユーザーとの対話を可能にするのに十分なレベルの性能を実現する。
論文 参考訳(メタデータ) (2022-04-06T02:35:59Z) - Utterance Rewriting with Contrastive Learning in Multi-turn Dialogue [22.103162555263143]
比較学習とマルチタスク学習を導入し、問題を共同でモデル化する。
提案手法は,複数の公開データセット上での最先端性能を実現する。
論文 参考訳(メタデータ) (2022-03-22T10:13:27Z) - 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) - Modelling Hierarchical Structure between Dialogue Policy and Natural
Language Generator with Option Framework for Task-oriented Dialogue System [49.39150449455407]
HDNOは、特定の対話行為表現の設計を避けるために潜在対話行為を設計するためのオプションフレームワークである。
RL,LaRL,HDSAで学習した単語レベルE2Eモデルと比較して,マルチドメイン対話のデータセットであるMultiWoz 2.0とMultiWoz 2.1でHDNOをテストする。
論文 参考訳(メタデータ) (2020-06-11T20:55:28Z) - Low-Resource Knowledge-Grounded Dialogue Generation [74.09352261943913]
我々は、限られた訓練例しか利用できないという自然な仮定のもと、知識基底による対話生成を考察する。
生成モデル全体から知識基底の対話に依存するパラメータを分離するために,不整合応答デコーダを考案する。
1/8のトレーニングデータだけで、我々のモデルは最先端のパフォーマンスを達成でき、ドメイン外の知識をうまく一般化できる。
論文 参考訳(メタデータ) (2020-02-24T16:20:32Z) - Joint Contextual Modeling for ASR Correction and Language Understanding [60.230013453699975]
言語理解(LU)と協調してASR出力の文脈的言語補正を行うマルチタスクニューラルアプローチを提案する。
そこで本研究では,市販のASRおよびLUシステムの誤差率を,少量のドメイン内データを用いてトレーニングしたジョイントモデルと比較して14%削減できることを示した。
論文 参考訳(メタデータ) (2020-01-28T22:09:25Z)
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。