論文の概要: SNOiC: Soft Labeling and Noisy Mixup based Open Intent Classification Model

• arxiv url: http://arxiv.org/abs/2310.07306v1
• Date: Wed, 11 Oct 2023 08:40:06 GMT
• ステータス: 処理完了
• システム内更新日: 2023-10-12 23:33:40.054588
• Title: SNOiC: Soft Labeling and Noisy Mixup based Open Intent Classification Model
• Title（参考訳）: snoic: ソフトラベリングと騒がしいミックスアップに基づくオープンインテント分類モデル
• Authors: Aditi Kanwar (1), Aditi Seetha (1), Satyendra Singh Chouhan (1), Rajdeep Niyogi (2) ((1) MNIT Jaipur, 302017, INDIA, (2) IIT Roorkee, 247667, INDIA)
• Abstract要約: 本稿では,Soft Labeling and Noisy Mixup-based Open intent classification model (SNOiC)を提案する。 SNOiCモデルは、それぞれ68.72%と94.71%の最小性能を達成する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: This paper presents a Soft Labeling and Noisy Mixup-based open intent classification model (SNOiC). Most of the previous works have used threshold-based methods to identify open intents, which are prone to overfitting and may produce biased predictions. Additionally, the need for more available data for an open intent class presents another limitation for these existing models. SNOiC combines Soft Labeling and Noisy Mixup strategies to reduce the biasing and generate pseudo-data for open intent class. The experimental results on four benchmark datasets show that the SNOiC model achieves a minimum and maximum performance of 68.72\% and 94.71\%, respectively, in identifying open intents. Moreover, compared to state-of-the-art models, the SNOiC model improves the performance of identifying open intents by 0.93\% (minimum) and 12.76\% (maximum). The model's efficacy is further established by analyzing various parameters used in the proposed model. An ablation study is also conducted, which involves creating three model variants to validate the effectiveness of the SNOiC model.
• Abstract（参考訳）: 本稿では,Soft Labeling and Noisy Mixup-based open intent classification model (SNOiC)を提案する。 以前の作品のほとんどがしきい値ベースの手法を使用してオープンインテントを識別しており、過度に適合し、偏りのある予測を生じる可能性がある。 さらに、オープンインテントクラスのより利用可能なデータの必要性は、これらの既存モデルに新たな制限を与える。 SNOiCはSoft LabelingとNoisy Mixupの戦略を組み合わせてバイアスを減らし、オープンインテントクラスのための擬似データを生成する。 4つのベンチマークデータセットの実験結果は、SNOiCモデルがそれぞれ68.72\%と94.71\%の最小性能と最大性能を達成することを示している。 さらに、最先端モデルと比較して、SNOiCモデルはオープンインテントの識別性能を0.93\%(最小)と12.76\%(最大)で改善する。 このモデルの有効性は、提案モデルで使用される様々なパラメータを分析することによってさらに確立される。 snoicモデルの有効性を検証するための3つのモデル変異体の作成を含むアブレーション研究も行われている。

関連論文リスト

• Supervised Score-Based Modeling by Gradient Boosting [49.556736252628745]
  本稿では,スコアマッチングを組み合わせた勾配向上アルゴリズムとして,SSM(Supervised Score-based Model)を提案する。 推測時間と予測精度のバランスをとるため,SSMの学習とサンプリングに関する理論的解析を行った。 我々のモデルは、精度と推測時間の両方で既存のモデルより優れています。
  論文  参考訳（メタデータ） (2024-11-02T07:06:53Z)
• PaCKD: Pattern-Clustered Knowledge Distillation for Compressing Memory Access Prediction Models [2.404163279345609]
  PaCKDはMAPモデルを圧縮するためのパターンクラスタ化知識蒸留手法である。 PaCKDは、標準的な知識蒸留で訓練された学生モデルよりも8.70%高い結果を得る。
  論文  参考訳（メタデータ） (2024-02-21T00:24:34Z)
• Leveraging Uncertainty Estimates To Improve Classifier Performance [4.4951754159063295]
  バイナリ分類では、正のクラスのモデルスコアが、アプリケーション要求に基づいて選択されたしきい値を超えるかどうかに基づいて、インスタンスのラベルを予測する。 しかし、モデルスコアは真の肯定率と一致しないことが多い。 これは特に、クラス間の差分サンプリングを含むトレーニングや、トレインとテスト設定間の分散ドリフトがある場合に当てはまる。
  論文  参考訳（メタデータ） (2023-11-20T12:40:25Z)
• Towards Better Certified Segmentation via Diffusion Models [62.21617614504225]
  セグメンテーションモデルは敵の摂動に弱いため、医療や自動運転といった重要な意思決定システムでの使用を妨げます。 近年,理論的保証を得るためにガウス雑音を入力に加えることにより,セグメント化予測のランダム化が提案されている。 本稿では,ランダムな平滑化と拡散モデルを組み合わせたセグメンテーション予測の問題に対処する。
  論文  参考訳（メタデータ） (2023-06-16T16:30:39Z)
• Self-Evolution Learning for Mixup: Enhance Data Augmentation on Few-Shot Text Classification Tasks [75.42002070547267]
  テキスト分類におけるデータ拡張のための自己進化学習(SE)に基づくミックスアップ手法を提案する。 モデル出力と原サンプルの1つのホットラベルを線形に補間して,新しい軟質なラベル混在を生成する,新しいインスタンス固有ラベル平滑化手法を提案する。
  論文  参考訳（メタデータ） (2023-05-22T23:43:23Z)
• Studying How to Efficiently and Effectively Guide Models with Explanations [52.498055901649025]
  「モデルガイダンス」とは「正しい理由のために正しい」ことを保証するためにモデルの説明を規則化する考え方である。 PASCAL VOC 2007 および MS COCO 2014 データセット上で, 各種損失関数, 帰属方法, モデル, 誘導深度について詳細な評価を行う。 具体的には、一般的に使用されるセグメンテーションマスクよりもはるかに安価で入手可能なバウンディングボックスアノテーションを用いてモデルをガイドする。
  論文  参考訳（メタデータ） (2023-03-21T15:34:50Z)
• Fake It Till You Make It: Near-Distribution Novelty Detection by Score-Based Generative Models [54.182955830194445]
  既存のモデルは、いわゆる"近く分布"設定で失敗するか、劇的な低下に直面します。 本稿では, スコアに基づく生成モデルを用いて, 合成近分布異常データを生成することを提案する。 本手法は,9つのノベルティ検出ベンチマークにおいて,近分布ノベルティ検出を6%改善し,最先端のノベルティ検出を1%から5%パスする。
  論文  参考訳（メタデータ） (2022-05-28T02:02:53Z)
• Distributional Depth-Based Estimation of Object Articulation Models [21.046351215949525]
  本研究では,奥行き画像から直接,調音モデルパラメータの分布を効率よく学習する手法を提案する。 私たちのコアコントリビューションには、剛体変換に対する分布の新しい表現が含まれています。 本稿では,カテゴリに依存しない調音モデル推定を行う新しい深層学習手法DUST-netを提案する。
  論文  参考訳（メタデータ） (2021-08-12T17:44:51Z)
• AdaSGN: Adapting Joint Number and Model Size for Efficient Skeleton-Based Action Recognition [45.6728814296272]
  既存の骨格に基づく行動認識法は主に認識精度の向上に重点を置いている。 AdaSGNと呼ばれる新しいアプローチが提案され、推論プロセスの計算コストを削減することができる。
  論文  参考訳（メタデータ） (2021-03-22T12:36:39Z)
• 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)
• Deep k-NN for Noisy Labels [55.97221021252733]
  予備モデルのロジット層上での単純な$k$-nearest近傍フィルタリング手法により、ラベルの誤りを除去し、最近提案された多くの手法よりも正確なモデルを生成することができることを示す。
  論文  参考訳（メタデータ） (2020-04-26T05:15:36Z)

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。