Fugu-MT 論文翻訳(概要): Intent Detection at Scale: Tuning a Generic Model using Relevant Intents

論文の概要: Intent Detection at Scale: Tuning a Generic Model using Relevant Intents

arxiv url: http://arxiv.org/abs/2309.08647v1
Date: Fri, 15 Sep 2023 13:15:20 GMT
ステータス: 処理完了
システム内更新日: 2023-09-19 20:13:51.686102
Title: Intent Detection at Scale: Tuning a Generic Model using Relevant Intents
Title（参考訳）: 大規模インテント検出:関連するインテントを用いたジェネリックモデルのチューニング
Authors: Nichal Narotamo, David Aparicio, Tiago Mesquita, Mariana Almeida
Abstract要約: 本研究は,単一のジェネリックモデルとクライアント毎のインテントリストを組み合わせることで,インテント予測を多種多様なクライアントに効果的に拡張するシステムを提案する。当社のアプローチは、クライアントに対してパーソナライズされたエクスペリエンスを提供しながら、トレーニングとメンテナンスのコストを最小限に抑え、関連する意図の変化にシームレスに対応できるようにします。最終的なシステムは、業界固有のモデルと比較して非常に優れたパフォーマンスを示し、柔軟性と多様なクライアントニーズに対応する能力を示している。
参考スコア（独自算出の注目度）: 0.5461938536945723
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Accurately predicting the intent of customer support requests is vital for efficient support systems, enabling agents to quickly understand messages and prioritize responses accordingly. While different approaches exist for intent detection, maintaining separate client-specific or industry-specific models can be costly and impractical as the client base expands. This work proposes a system to scale intent predictions to various clients effectively, by combining a single generic model with a per-client list of relevant intents. Our approach minimizes training and maintenance costs while providing a personalized experience for clients, allowing for seamless adaptation to changes in their relevant intents. Furthermore, we propose a strategy for using the clients relevant intents as model features that proves to be resilient to changes in the relevant intents of clients -- a common occurrence in production environments. The final system exhibits significantly superior performance compared to industry-specific models, showcasing its flexibility and ability to cater to diverse client needs.
Abstract（参考訳）: 顧客サポート要求の意図を正確に予測することは、効率的なサポートシステムにとって不可欠である。意図の検出には異なるアプローチが存在するが、クライアントベースが拡大するにつれて、別のクライアント特化モデルや業界特化モデルを維持することはコストがかかる。本研究は,単一のジェネリックモデルとクライアント毎のインテントリストを組み合わせることで,インテント予測を様々なクライアントに効果的に拡張するシステムを提案する。私たちのアプローチは、クライアントにパーソナライズされたエクスペリエンスを提供しながら、トレーニングとメンテナンスのコストを最小化し、関連するインテントの変更に対するシームレスな適応を可能にします。さらに,本研究では,本運用環境におけるクライアント関連意図の変化に対する耐性を示すモデル機能として,クライアント関連意図を使用するための戦略を提案する。最終システムは、業界固有のモデルに比べて著しく優れたパフォーマンスを示し、柔軟性と多様なクライアントのニーズに対応する能力を示している。

関連論文リスト

Emulating Full Client Participation: A Long-Term Client Selection Strategy for Federated Learning [48.94952630292219]
本稿では,クライアントの完全参加によって達成されるパフォーマンスをエミュレートする新しいクライアント選択戦略を提案する。 1ラウンドで、クライアントサブセットとフルクライアントセット間の勾配空間推定誤差を最小化し、クライアントを選択する。複数ラウンド選択において、類似したデータ分布を持つクライアントが選択される頻度に類似することを保証する、新しい個性制約を導入する。
論文参考訳（メタデータ） (2024-05-22T12:27:24Z)
PraFFL: A Preference-Aware Scheme in Fair Federated Learning [5.9403570178003395]
フェアフェデレーション学習パラダイム( PraFFL と呼ばれる)における優先度認識方式を提案する。理論的には、PrafFLは各クライアントの任意の好みに合わせて最適なモデルを提供し、その線形収束を示すことができる。
論文参考訳（メタデータ） (2024-04-13T11:40:05Z)
Towards Unified Multi-Modal Personalization: Large Vision-Language Models for Generative Recommendation and Beyond [87.1712108247199]
我々の目標は、マルチモーダルパーソナライゼーションシステム(UniMP)のための統一パラダイムを確立することである。我々は、幅広いパーソナライズされたニーズに対処できる汎用的でパーソナライズされた生成フレームワークを開発する。我々の手法は、パーソナライズされたタスクのための基礎言語モデルの能力を高める。
論文参考訳（メタデータ） (2024-03-15T20:21:31Z)
Customer Churn Prediction Model using Explainable Machine Learning [0.0]
この論文の主な目的は、チャーンする可能性が最も高い潜在的な顧客を予測するのに役立つ、ユニークな顧客チャーン予測モデルを開発することである。各種木に基づく機械学習手法とアルゴリズムの性能評価と解析を行った。モデル説明可能性と透明性を改善するため,提案手法では,特徴の組合せについてシェープ値を計算する手法を提案する。
論文参考訳（メタデータ） (2023-03-02T04:45:57Z)
FilFL: Client Filtering for Optimized Client Participation in Federated Learning [71.46173076298957]
フェデレートラーニングは、クライアントがローカルデータを交換することなく、協調的にモデルをトレーニングすることを可能にする。トレーニングプロセスに参加するクライアントは、収束率、学習効率、モデル一般化に大きな影響を与えます。本稿では,モデル一般化を改善し,クライアント参加とトレーニングを最適化する新しい手法であるクライアントフィルタリングを提案する。
論文参考訳（メタデータ） (2023-02-13T18:55:31Z)
PaDPaF: Partial Disentanglement with Partially-Federated GANs [5.195669033269619]
フェデレーテッド・ラーニングは、多くの潜在的な現実のアプリケーションで人気のある機械学習パラダイムとなっている。本研究では,グローバルクライアント非依存とローカルクライアント固有の生成モデルを組み合わせた新しいアーキテクチャを提案する。提案モデルでは,グローバルな一貫した表現を暗黙的に切り離すことで,プライバシーとパーソナライゼーションを実現する。
論文参考訳（メタデータ） (2022-12-07T18:28:54Z)
Latent User Intent Modeling for Sequential Recommenders [92.66888409973495]
逐次リコメンデータモデルは、プラットフォーム上での氏のインタラクション履歴に基づいて、ユーザが次に対話する可能性のあるアイテムを予測することを学習する。しかし、ほとんどのシーケンシャルなレコメンデータは、ユーザの意図に対する高いレベルの理解を欠いている。したがって、インテントモデリングはユーザー理解と長期ユーザーエクスペリエンスの最適化に不可欠である。
論文参考訳（メタデータ） (2022-11-17T19:00:24Z)
Personalizing or Not: Dynamically Personalized Federated Learning with Incentives [37.42347737911428]
個人データを共有せずにパーソナライズされたモデルを学習するためのパーソナライズド・フェデレーション・ラーニング(FL)を提案する。パーソナライズレートは、パーソナライズされたモデルのトレーニングを希望する顧客の割合として測定され、フェデレーションされた設定に導入され、DyPFLを提案する。この技術は、クライアントがローカルモデルをパーソナライズすることへのインセンティブを与えると同時に、より優れたパフォーマンスでグローバルモデルを採用できるようにする。
論文参考訳（メタデータ） (2022-08-12T09:51:20Z)
Federated Multi-Target Domain Adaptation [99.93375364579484]
フェデレートされた学習手法により、プライバシを保護しながら、分散ユーザデータ上で機械学習モデルをトレーニングすることが可能になります。分散クライアントデータがラベル付けされず、集中型ラベル付きデータセットがサーバ上で利用可能となる、より実用的なシナリオを考えます。本稿では,新しい課題に対処する効果的なDualAdapt法を提案する。
論文参考訳（メタデータ） (2021-08-17T17:53:05Z)
Personalized Federated Learning with First Order Model Optimization [76.81546598985159]
そこで我々は,各クライアントが他のクライアントと連携して,クライアント固有の目的ごとのより強力なモデルを得る,フェデレーション学習の代替案を提案する。基礎となるデータ分布やクライアントの類似性に関する知識を前提とせず、各クライアントが関心のある任意のターゲット分布を最適化できるようにします。この手法は既存の代替品を上回り、ローカルデータ配信以外の転送のようなパーソナライズされたFLの新機能を可能にする。
論文参考訳（メタデータ） (2020-12-15T19:30:29Z)
Client Adaptation improves Federated Learning with Simulated Non-IID Clients [1.0896567381206714]
クライアント間でデータを独立に分散する(非IID)場合、クライアントが適応可能で堅牢なモデルを学ぶための連合学習手法を提案する。学習したクライアント固有の条件付けを追加することで、モデルの性能が向上し、オーディオドメインと画像ドメインの両方から、バランスのとれた、バランスのとれたデータセットに対して、アプローチが機能することを示します。
論文参考訳（メタデータ） (2020-07-09T13:48:39Z)

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。