論文の概要: Continual Generalized Intent Discovery: Marching Towards Dynamic and Open-world Intent Recognition

• arxiv url: http://arxiv.org/abs/2310.10184v1
• Date: Mon, 16 Oct 2023 08:48:07 GMT
• ステータス: 処理完了
• システム内更新日: 2023-10-17 15:39:51.176048
• Title: Continual Generalized Intent Discovery: Marching Towards Dynamic and Open-world Intent Recognition
• Title（参考訳）: 連続的な一般化されたインテント発見:動的およびオープンワールドインテント認識に向けて
• Authors: Xiaoshuai Song, Yutao Mou, Keqing He, Yueyan Qiu, Pei Wang, Weiran Xu
• Abstract要約: Generalized Intent Discovery (GID)は、OOD学習の1段階のみを考慮し、過去のすべての段階におけるデータを共同トレーニングに活用する必要がある。 Continual Generalized Intent Discovery (CGID)は、動的OODデータストリームからOODインテントを継続的にかつ自動的に検出することを目的としている。 PLRDはクラスプロトタイプを通じて新しいインテント発見をブートストラップし、データ再生と特徴蒸留を通じて新しいインテントと古いインテントのバランスをとる。
• 参考スコア（独自算出の注目度）: 25.811639218862958
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In a practical dialogue system, users may input out-of-domain (OOD) queries. The Generalized Intent Discovery (GID) task aims to discover OOD intents from OOD queries and extend them to the in-domain (IND) classifier. However, GID only considers one stage of OOD learning, and needs to utilize the data in all previous stages for joint training, which limits its wide application in reality. In this paper, we introduce a new task, Continual Generalized Intent Discovery (CGID), which aims to continuously and automatically discover OOD intents from dynamic OOD data streams and then incrementally add them to the classifier with almost no previous data, thus moving towards dynamic intent recognition in an open world. Next, we propose a method called Prototype-guided Learning with Replay and Distillation (PLRD) for CGID, which bootstraps new intent discovery through class prototypes and balances new and old intents through data replay and feature distillation. Finally, we conduct detailed experiments and analysis to verify the effectiveness of PLRD and understand the key challenges of CGID for future research.
• Abstract（参考訳）: 実用的な対話システムでは、ユーザーは外部ドメイン(OOD)クエリを入力できる。 Generalized Intent Discovery (GID)タスクは、OODクエリからOODインテントを発見し、それをインドメイン(IND)分類器に拡張することを目的としている。 しかし、GIDはOOD学習の1段階のみを考慮し、以前のすべての段階のデータをジョイントトレーニングに活用する必要がある。 本稿では,動的oodデータストリームからoodインテントを連続的かつ自動的に検出し,それ以前のデータをほとんど含まない分類器に段階的に追加することにより,オープンワールドにおける動的インテント認識へ移行する,新たなタスクであるcontinual generalized intent discovery(cgid)を提案する。 次に,クラスプロトタイプを通じて新たなインテント発見をブートストラップし,データリプレイと機能蒸留による新旧インテントのバランスをとる,cgidのためのprototype-guided learning(plrd)という手法を提案する。 最後に,PLRDの有効性を検証するための詳細な実験と解析を行い,今後の研究におけるCGIDの課題を理解する。

関連論文リスト

• IntentGPT: Few-shot Intent Discovery with Large Language Models [9.245106106117317]
  我々は、新たな意図が現れると識別できるモデルを開発する。 IntentGPTは、Large Language Models (LLM) を効果的に促し、最小限のラベル付きデータで新しいインテントを発見する、トレーニング不要の手法である。 実験の結果,IntentGPTはドメイン固有データと微調整を必要とする従来の手法よりも優れていることがわかった。
  論文  参考訳（メタデータ） (2024-11-16T02:16:59Z)
• Pseudo-Label Enhanced Prototypical Contrastive Learning for Uniformed Intent Discovery [27.18799732585361]
  Pseudo-Label enhanced Prototypeal Contrastive Learning (PLPCL) モデルを提案する。 擬似ラベルを用いて、表現とクラスタリングのギャップを埋めるコントラスト学習のための潜在的正・負のサンプルを探索する。 提案手法は,新たな意図を発見するための2つの異なる設定において有効であることが証明されている。
  論文  参考訳（メタデータ） (2024-10-26T16:22:45Z)
• COOLer: Class-Incremental Learning for Appearance-Based Multiple Object Tracking [32.47215340215641]
  本稿では,連続学習研究の範囲を,複数物体追跡(MOT)のためのクラス増分学習に拡張する。 オブジェクト検出器の連続学習のための従来のソリューションは、外見に基づくトラッカーのデータ関連ステージには対応していない。 我々は,Contrastive- and cOntinual-LearningベースのトラッカーであるCOOLerを紹介した。
  論文  参考訳（メタデータ） (2023-10-04T17:49:48Z)
• Out-of-Domain Intent Detection Considering Multi-Turn Dialogue Contexts [91.43701971416213]
  我々は,OODインテント検出タスクにおけるマルチターンコンテキストをモデル化するためのコンテキスト認識型OODインテント検出(Caro)フレームワークを提案する。 CaroはF1-OODスコアを29%以上改善することで、マルチターンOOD検出タスクの最先端性能を確立している。
  論文  参考訳（メタデータ） (2023-05-05T01:39:21Z)
• A Hybrid Architecture for Out of Domain Intent Detection and Intent Discovery [0.0]
  Out of Scope (OOS) と Out of Domain (OOD) の入力はタスク指向システムに問題をもたらす可能性がある。 タスク指向対話システムにおいて、Intent Detectionのモデルをトレーニングするためにラベル付きデータセットが必要である。 ラベル付きデータセットの作成には時間がかかり、人的リソースが必要です。 その結果,OOD/OOS Intent Detection と Intent Discovery の双方のモデルが優れた結果が得られることがわかった。
  論文  参考訳（メタデータ） (2023-03-07T18:49:13Z)
• Discovering New Intents Using Latent Variables [51.50374666602328]
  本稿では,意図の割り当てを潜伏変数として扱う意図を発見するための確率的フレームワークを提案する。 E-step, we conducting intents and explore the intrinsic structure of unlabeled data by the rear of intent assignments。 M段階において、ラベル付きデータの識別を最適化することにより、既知の意図から伝達される事前知識の忘れを緩和する。
  論文  参考訳（メタデータ） (2022-10-21T08:29:45Z)
• Generalized Intent Discovery: Learning from Open World Dialogue System [34.39483579171543]
  Generalized Intent Discovery (GID)は、INDインテント分類器をINDインテントやOODインテントを含むオープンワールドインテントセットに拡張することを目的としている。 異なるアプリケーションシナリオのための3つのパブリックデータセットを構築し、2種類のフレームワークを提案する。
  論文  参考訳（メタデータ） (2022-09-13T14:31:53Z)
• Triggering Failures: Out-Of-Distribution detection by learning from local adversarial attacks in Semantic Segmentation [76.2621758731288]
  セグメンテーションにおけるアウト・オブ・ディストリビューション(OOD)オブジェクトの検出に取り組む。 私たちの主な貢献は、ObsNetと呼ばれる新しいOOD検出アーキテクチャであり、ローカル・アタック(LAA)に基づく専用トレーニングスキームと関連付けられています。 3つの異なるデータセットの文献の最近の10つの手法と比較して,速度と精度の両面で最高の性能が得られることを示す。
  論文  参考訳（メタデータ） (2021-08-03T17:09:56Z)
• Enhancing the Generalization for Intent Classification and Out-of-Domain Detection in SLU [70.44344060176952]
  インテント分類は、音声言語理解(SLU)における主要な課題である 近年の研究では、余分なデータやラベルを使用することで、OOD検出性能が向上することが示されている。 本稿では、IND意図分類とOOD検出の両方をサポートしながら、INDデータのみを用いてモデルを訓練することを提案する。
  論文  参考訳（メタデータ） (2021-06-28T08:27:38Z)
• Privileged Knowledge Distillation for Online Action Detection [114.5213840651675]
  リアルタイム予測タスクに対処するフレーム単位のラベル付けタスクとして,ビデオ中のオンラインアクション検出(OAD)を提案する。 本稿では,トレーニング段階においてのみ観測可能な未来のフレームを特権情報の一種とみなすオンライン行動検出のための,新たな学習支援型フレームワークを提案する。
  論文  参考訳（メタデータ） (2020-11-18T08:52:15Z)
• Continual Learning for Natural Language Generation in Task-oriented Dialog Systems [72.92029584113676]
  自然言語生成(NLG)はタスク指向対話システムにおいて重要な要素である。 我々は,NLGの知識を新たなドメインや機能に段階的に拡張する"継続的学習"環境で研究する。 この目標に対する大きな課題は、破滅的な忘れことであり、継続的に訓練されたモデルは、以前に学んだ知識を忘れがちである。
  論文  参考訳（メタデータ） (2020-10-02T10:32:29Z)

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。