論文の概要: DKAF: KB Arbitration for Learning Task-Oriented Dialog Systems with Dialog-KB Inconsistencies

• arxiv url: http://arxiv.org/abs/2305.16697v1
• Date: Fri, 26 May 2023 07:36:23 GMT
• ステータス: 処理完了
• システム内更新日: 2023-05-29 16:31:52.019723
• Title: DKAF: KB Arbitration for Learning Task-Oriented Dialog Systems with Dialog-KB Inconsistencies
• Title（参考訳）: dkaf: kb不整合を伴うタスク指向対話システム学習のためのkb調停
• Authors: Vishal Vivek Saley, Rocktim Jyoti Das, Dinesh Raghu, Mausam
• Abstract要約: タスク指向対話(TOD)エージェントは、しばしば外部知識ベース(KB)に応答する。 TODエージェントを学習するための既存のアプローチは、トレーニング中に個々のダイアログのKBスナップショットが利用可能であると仮定する。 本稿では,ダイアログ毎のKBスナップショットを予測することにより,ダイアログKBの不整合を低減するダイアログKB調停フレームワーク(DKAF)を提案する。
• 参考スコア（独自算出の注目度）: 17.228046533234192
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Task-oriented dialog (TOD) agents often ground their responses on external knowledge bases (KBs). These KBs can be dynamic and may be updated frequently. Existing approaches for learning TOD agents assume the KB snapshot contemporary to each individual dialog is available during training. However, in real-world scenarios, only the latest KB snapshot is available during training and as a result, the train dialogs may contain facts conflicting with the latest KB. These dialog-KB inconsistencies in the training data may potentially confuse the TOD agent learning algorithm. In this work, we define the novel problem of learning a TOD agent with dialog-KB inconsistencies in the training data. We propose a Dialog-KB Arbitration Framework (DKAF) which reduces the dialog-KB inconsistencies by predicting the contemporary KB snapshot for each train dialog. These predicted KB snapshots are then used for training downstream TOD agents. As there are no existing datasets with dialog-KB inconsistencies, we systematically introduce inconsistencies in two publicly available dialog datasets. We show that TOD agents trained with DKAF perform better than existing baselines on both these datasets
• Abstract（参考訳）: タスク指向ダイアログ(TOD)エージェントは、しばしば外部知識ベース(KB)に応答する。 これらのkbは動的で頻繁に更新される。 TODエージェントを学習するための既存のアプローチは、トレーニング中に個々のダイアログのKBスナップショットが利用可能であると仮定する。 しかし、現実のシナリオでは、トレーニング中に最新のKBスナップショットのみが利用可能であり、結果として、列車ダイアログは最新のKBと矛盾する事実を含む可能性がある。 これらのトレーニングデータのダイアログkb不整合は、todエージェント学習アルゴリズムを混乱させる可能性がある。 本研究では,学習データにダイアログ-KBの不整合を持つTODエージェントを学習する新たな問題を定義する。 本稿では,ダイアログ毎のKBスナップショットを予測することにより,ダイアログKBの不整合を低減するダイアログKB調停フレームワーク(DKAF)を提案する。 これらの予測KBスナップショットは、下流のTODエージェントのトレーニングに使用される。 ダイアログkbの不整合を持つ既存のデータセットは存在せず、体系的に2つの公開ダイアログデータセットに不整合を導入する。 DKAFで訓練されたTODエージェントは、これらのデータセットの既存のベースラインよりも優れていることを示す。

関連論文リスト

• Improving the Robustness of Knowledge-Grounded Dialogue via Contrastive Learning [71.8876256714229]
  本稿では,知識ベース対話システムの堅牢性向上を目的とした,エンティティベースのコントラスト学習フレームワークを提案する。 提案手法は,自動評価スコアの点から,新しい最先端性能を実現する。
  論文  参考訳（メタデータ） (2024-01-09T05:16:52Z)
• CGoDial: A Large-Scale Benchmark for Chinese Goal-oriented Dialog Evaluation [75.60156479374416]
  CGoDialは、Goal指向のダイアログ評価のための、新しい挑戦的で包括的な中国のベンチマークである。 96,763のダイアログセッションと574,949のダイアログがすべて含まれており、異なる知識ソースを持つ3つのデータセットをカバーする。 学術ベンチマークと音声対話のシナリオのギャップを埋めるために、実際の会話からデータを収集したり、クラウドソーシングを通じて既存のデータセットに音声機能を追加する。
  論文  参考訳（メタデータ） (2022-11-21T16:21:41Z)
• SPACE-2: Tree-Structured Semi-Supervised Contrastive Pre-training for Task-Oriented Dialog Understanding [68.94808536012371]
  本稿では,限定ラベル付きダイアログと大規模未ラベルダイアログコーパスから対話表現を学習する,木構造付き事前学習会話モデルを提案する。 提案手法は,7つのデータセットと4つの一般的な対話理解タスクからなるDialoGLUEベンチマークにおいて,最新の結果が得られる。
  論文  参考訳（メタデータ） (2022-09-14T13:42:50Z)
• GODEL: Large-Scale Pre-Training for Goal-Directed Dialog [119.1397031992088]
  ダイアログのための大規模事前学習言語モデルであるGODELを紹介する。 GODELは、数ショットの微調整設定で、最先端の事前訓練ダイアログモデルより優れていることを示す。 評価手法の新たな特徴は,応答の有用性を評価するユーティリティの概念の導入である。
  論文  参考訳（メタデータ） (2022-06-22T18:19:32Z)
• In-Context Learning for Few-Shot Dialogue State Tracking [55.91832381893181]
  In-context (IC) Learning framework for few-shot dialogue state tracking (DST)を提案する。 大規模な事前訓練言語モデル(LM)は、テストインスタンスといくつかの注釈付き例を入力として取り、パラメータの更新なしに直接対話状態をデコードする。 これにより、LMは、新しいドメインやシナリオに適応する際の、以前の数ショットのDST作業と比べて、より柔軟でスケーラブルになります。
  論文  参考訳（メタデータ） (2022-03-16T11:58:24Z)
• Improving Dialogue Breakdown Detection with Semi-Supervised Learning [7.7914806980889875]
  そこで本研究では,セミ教師あり学習手法を用いて対話分解の検出を改善することを提案する。 本研究は,DBDC(Dilogue Breakdown Detection Challenge)英語共有タスクにおいて,これらの手法の有効性を示す。
  論文  参考訳（メタデータ） (2020-10-30T23:04:56Z)
• Learning Knowledge Bases with Parameters for Task-Oriented Dialogue Systems [79.02430277138801]
  知識ベース(KB)は、ユーザの要求を満たす上で重要な役割を担います。 エンド・ツー・エンドのシステムは直接KBを入力として使用するが、KBが数百のエントリより大きい場合にはスケールできない。 モデルパラメータに直接KBを埋め込む手法を提案する。
  論文  参考訳（メタデータ） (2020-09-28T22:13:54Z)
• Unsupervised Learning of KB Queries in Task-Oriented Dialogs [21.611723342957887]
  タスク指向ダイアログ(TOD)システムは、ユーザ意図に応じた知識ベース(KB)クエリを定式化する必要があることが多い。 既存のアプローチでは、これらのKBクエリに明示的にアノテートするためにダイアログデータセットが必要である。 KBクエリの予測やダイアログエージェントのトレーニングにおいて,明示的なKBクエリアノテーションを使わずに新たな問題を定義する。
  論文  参考訳（メタデータ） (2020-04-30T22:10:00Z)

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。