論文の概要: Pro-HAN: A Heterogeneous Graph Attention Network for Profile-Based Spoken Language Understanding

• arxiv url: http://arxiv.org/abs/2402.03900v1
• Date: Tue, 6 Feb 2024 11:12:09 GMT
• ステータス: 処理完了
• システム内更新日: 2024-02-07 15:18:53.114772
• Title: Pro-HAN: A Heterogeneous Graph Attention Network for Profile-Based Spoken Language Understanding
• Title（参考訳）: Pro-HAN:プロファイルに基づく音声言語理解のための異種グラフ注意ネットワーク
• Authors: Dechuan Teng, Chunlin Lu, Xiao Xu, Wanxiang Che, Libo Qin
• Abstract要約: プロファイルベースの音声言語理解は、様々な種類の補足プロファイル情報を統合することを目的としている。 既存のアプローチでは、異なるプロファイル情報を個別にモデル化するしかありません。 ProHANと呼ばれる複数のプロファイル情報にまたがる推論を行うための異種グラフアテンションを導入する。
• 参考スコア（独自算出の注目度）: 44.605190164227935
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Recently, Profile-based Spoken Language Understanding (SLU) has gained increasing attention, which aims to incorporate various types of supplementary profile information (i.e., Knowledge Graph, User Profile, Context Awareness) to eliminate the prevalent ambiguities in user utterances. However, existing approaches can only separately model different profile information, without considering their interrelationships or excluding irrelevant and conflicting information within them. To address the above issues, we introduce a Heterogeneous Graph Attention Network to perform reasoning across multiple Profile information, called Pro-HAN. Specifically, we design three types of edges, denoted as intra-Pro, inter-Pro, and utterance-Pro, to capture interrelationships among multiple Pros. We establish a new state-of-the-art on the ProSLU dataset, with an improvement of approximately 8% across all three metrics. Further analysis experiments also confirm the effectiveness of our method in modeling multi-source profile information.
• Abstract（参考訳）: 近年、プロファイルベースの音声言語理解(SLU)が注目され、ユーザ発話の曖昧さを解消するために、様々な種類の補足プロファイル情報(知識グラフ、ユーザプロファイル、コンテキスト認識)を組み込むことを目指している。 しかし、既存のアプローチは、それらの相互関係を考慮せずに、あるいはそれらの内部で無関係で矛盾する情報を除外することなく、異なるプロファイル情報を別々にモデル化することができる。 上記の問題に対処するために,複数のプロファイル情報にまたがる推論を行う異種グラフアテンションネットワーク pro-han を導入する。 具体的には、複数のPro間の相互関係を捉えるために、Intra-Pro、Inter-Pro、utterance-Proの3種類のエッジを設計する。 ProSLUデータセットに新たな最先端技術を導入し、3つの指標すべてに対して約8%の改善を実現しました。 さらに解析実験により,マルチソースプロファイル情報のモデリングにおける本手法の有効性が検証された。

関連論文リスト

• InterFormer: Towards Effective Heterogeneous Interaction Learning for Click-Through Rate Prediction [72.50606292994341]
  我々はインターリービング方式で異種情報インタラクションを学習するInterFormerという新しいモジュールを提案する。 提案するInterFormerは,3つのパブリックデータセットと大規模産業データセットに対して,最先端のパフォーマンスを実現する。
  論文  参考訳（メタデータ） (2024-11-15T00:20:36Z)
• Separating common from salient patterns with Contrastive Representation Learning [2.250968907999846]
  コントラスト分析は、2つのデータセット間の変動の共通要因を分離することを目的としている。 変分オートエンコーダに基づく現在のモデルは意味表現の学習において性能が劣っている。 コントラスト分析に適合した意味表現表現を学習するためのコントラスト学習の活用を提案する。
  論文  参考訳（メタデータ） (2024-02-19T08:17:13Z)
• PRODIGy: a PROfile-based DIalogue Generation dataset [12.566555088877871]
  コミュニケーションスタイル, 伝記, パーソナリティなど, 各対話が可能なすべての話者表現と整合する新たなリソースを提案する。 このフレームワークは、複数のプロファイル構成を持つ生成言語モデルを使用して構築されたいくつかのベースラインをテストすることができる。
  論文  参考訳（メタデータ） (2023-11-09T08:19:34Z)
• Adapting Triplet Importance of Implicit Feedback for Personalized Recommendation [43.85549591503592]
  インプシットフィードバックは、パーソナライズされたレコメンデーションサービスを開発するために頻繁に使用される。 本稿では,Triplet Importance Learning (TIL) という新たなトレーニングフレームワークを提案する。 提案手法は,トップkレコメンデーションのRecall@kにおいて,既存モデルよりも3～21%優れていた。
  論文  参考訳（メタデータ） (2022-08-02T19:44:47Z)
• Privacy-preserving Graph Analytics: Secure Generation and Federated Learning [72.90158604032194]
  我々は、リッチな属性と関係を表現する重要な能力を提供するグラフデータのプライバシー保護分析に焦点を当てる。 本稿では,プライバシ保護グラフ生成とフェデレーショングラフ学習という2つの方向性について論じる。
  論文  参考訳（メタデータ） (2022-06-30T18:26:57Z)
• Differentially Private Federated Learning on Heterogeneous Data [10.431137628048356]
  フェデレートラーニング(Federated Learning、FL)は、大規模分散ラーニングのパラダイムである。 i)高度に異質なユーザデータからの効率的なトレーニング、(ii)参加ユーザのプライバシ保護という2つの大きな課題に直面しています。 本稿では,差分プライバシー(DP)制約を取り入れた新しいFL手法を提案する。
  論文  参考訳（メタデータ） (2021-11-17T18:23:49Z)
• Relation-aware Heterogeneous Graph for User Profiling [24.076585294260816]
  本稿では,ユーザ・プロファイリングにおける関係性を考慮した異種グラフ手法を提案する。 我々は、不均一なメッセージパッシングに対して、トランスフォーマー方式でクエリ、キー、値のメカニズムを採用する。 実世界の2つのeコマースデータセットの実験を行い、我々のアプローチの大幅なパフォーマンス向上を観察する。
  論文  参考訳（メタデータ） (2021-10-14T06:59:30Z)
• From Canonical Correlation Analysis to Self-supervised Graph Neural Networks [99.44881722969046]
  本稿では,グラフデータを用いた自己教師付き表現学習のための概念的単純かつ効果的なモデルを提案する。 古典的カノニカル相関解析にインスパイアされた,革新的な特徴レベルの目的を最適化する。 提案手法は、7つの公開グラフデータセット上で競合的に動作する。
  論文  参考訳（メタデータ） (2021-06-23T15:55:47Z)
• A Cooperative Memory Network for Personalized Task-oriented Dialogue Systems with Incomplete User Profiles [55.951126447217526]
  ユーザプロファイルの完成を前提とせず,タスク指向対話システムについて検討する。 ユーザプロファイルを徐々に強化する新しいメカニズムを持つ協調記憶ネットワーク(CoMemNN)を提案する。 CoMemNNは、ユーザープロファイルを効果的に強化することができ、応答選択精度の点で3.6%の改善につながります。
  論文  参考訳（メタデータ） (2021-02-16T18:05:54Z)
• Disentangled Graph Collaborative Filtering [100.26835145396782]
  Disentangled Graph Collaborative Filtering (DGCF)は、インタラクションデータからユーザとアイテムの情報表現を学ぶための新しいモデルである。 ユーザ・イテムのインタラクション毎に意図を超越した分布をモデル化することにより、インテント・アウェアなインタラクショングラフと表現を反復的に洗練する。 DGCFはNGCF、DisenGCN、MacridVAEといった最先端モデルよりも大幅に改善されている。
  論文  参考訳（メタデータ） (2020-07-03T15:37:25Z)

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。