Fugu-MT 論文翻訳(概要): A Survey on Recent Advances in LLM-Based Multi-turn Dialogue Systems

論文の概要: A Survey on Recent Advances in LLM-Based Multi-turn Dialogue Systems

arxiv url: http://arxiv.org/abs/2402.18013v1
Date: Wed, 28 Feb 2024 03:16:44 GMT
ステータス: 処理完了
システム内更新日: 2024-02-29 16:37:04.875063
Title: A Survey on Recent Advances in LLM-Based Multi-turn Dialogue Systems
Title（参考訳）: LLMを用いたマルチターン対話システムの最近の進歩
Authors: Zihao Yi, Jiarui Ouyang, Yuwen Liu, Tianhao Liao, Zhe Xu and Ying Shen
Abstract要約: 本稿では,既存のLLMの概要と,下流タスクにLLMを適用するためのアプローチを提案する。 LLMベースのオープンドメイン対話(ODD)とタスク指向対話(TOD)の両方をカバーするマルチターン対話システムにおける最近の進歩を詳述する。
参考スコア（独自算出の注目度）: 12.999001024463453
License: http://creativecommons.org/publicdomain/zero/1.0/
Abstract: This survey provides a comprehensive review of research on multi-turn dialogue systems, with a particular focus on multi-turn dialogue systems based on large language models (LLMs). This paper aims to (a) give a summary of existing LLMs and approaches for adapting LLMs to downstream tasks; (b) elaborate recent advances in multi-turn dialogue systems, covering both LLM-based open-domain dialogue (ODD) and task-oriented dialogue (TOD) systems, along with datasets and evaluation metrics; (c) discuss some future emphasis and recent research problems arising from the development of LLMs and the increasing demands on multi-turn dialogue systems.
Abstract（参考訳）: 本調査は,大規模言語モデル(llms)に基づく多段対話システムを中心に,多段対話システムの研究を包括的にレビューする。この論文の目的は (a) 下流業務にLLMを適用するための既存のLLMとアプローチの概要を述べる。 b) llmベースのopen-domain dialogue (odd) と task-oriented dialogue (tod) システムとデータセットおよび評価指標の両方をカバーするマルチターン対話システムにおける最近の進歩 (c) LLMの発展とマルチターン対話システムへの需要の増加に伴う今後の課題と最近の研究課題について論じる。

関連論文リスト

A Comprehensive Review of Multimodal Large Language Models: Performance and Challenges Across Different Tasks [74.52259252807191]
MLLM(Multimodal Large Language Models)は、単一のモダリティシステムの能力を超えた現実世界のアプリケーションの複雑さに対処する。本稿では,自然言語,視覚,音声などのマルチモーダルタスクにおけるMLLMの応用を体系的に整理する。
論文参考訳（メタデータ） (2024-08-02T15:14:53Z)
DivTOD: Unleashing the Power of LLMs for Diversifying Task-Oriented Dialogue Representations [21.814490079113323]
汎用テキストで事前訓練された言語モデルは、様々な分野において印象的な成果を上げている。しかし、タスク指向対話(TOD)の言語的特徴と一般的なテキストとの比較は、既存の言語モデルの実用性を制限している。本研究では,多様なタスク指向の対話表現を学習するために,LLMと協調して対話事前学習モデルDivTODを提案する。
論文参考訳（メタデータ） (2024-03-31T04:36:57Z)
MT-Bench-101: A Fine-Grained Benchmark for Evaluating Large Language Models in Multi-Turn Dialogues [58.33076950775072]
MT-Bench-101は,マルチターン対話におけるLarge Language Models (LLMs) の細粒度化能力を評価するために設計された。 1388のタスクで4208のターンが1388のマルチターン対話にまたがる3階層の階層的能力分類を構築した。次に,MT-Bench-101に基づく21のLLMを評価し,能力とタスクの観点から総合的な分析を行った。
論文参考訳（メタデータ） (2024-02-22T18:21:59Z)
A Survey of the Evolution of Language Model-Based Dialogue Systems [25.329617430417752]
Task-oriented_dialogue_system (TOD) とopen-domain_dialogue_system (ODD) は大きな変換を経ている。この調査は、対話システムの歴史的軌跡を掘り下げ、言語モデルの進歩と関係を解明するものである。我々の調査は、LMのブレークスルーに沿った時系列的な視点を提供し、最先端の研究成果の包括的なレビューを提供する。
論文参考訳（メタデータ） (2023-11-28T13:51:32Z)
Plug-and-Play Policy Planner for Large Language Model Powered Dialogue Agents [121.46051697742608]
そこで本稿では,PDPPという言語モデルプラグインを用いて対話問題を整理するための新たな対話ポリシー計画パラダイムを提案する。具体的には、利用可能な人間の注釈付きデータに対する教師付き微調整を容易にするための新しいトレーニングフレームワークを開発する。 PPDPPは3つの異なるプロアクティブな対話アプリケーションにおいて、既存のアプローチを一貫して、実質的に上回っている。
論文参考訳（メタデータ） (2023-11-01T03:20:16Z)
Self-Explanation Prompting Improves Dialogue Understanding in Large Language Models [52.24756457516834]
大規模言語モデル(LLM)の理解能力を高めるための新たな「自己説明(Self-Explanation)」を提案する。このタスクに依存しないアプローチでは、タスク実行前の各対話発話を分析し、様々な対話中心のタスクのパフォーマンスを向上させる必要がある。 6つのベンチマークデータセットによる実験結果から,本手法は他のゼロショットプロンプトよりも一貫して優れており,数ショットプロンプトの有効性を超えていることが明らかとなった。
論文参考訳（メタデータ） (2023-09-22T15:41:34Z)
Enhancing Large Language Model Induced Task-Oriented Dialogue Systems Through Look-Forward Motivated Goals [76.69419538047813]
ProToDアプローチは、将来の対話行動を予測し、ToDシステムを強化するためにゴール指向の報酬シグナルを組み込む。本稿では,目標駆動型対話シミュレーションに基づくToDシステム評価手法を提案する。また,MultiWoZ 2.1データセットを用いた実験により,データの10%しか利用せず,優れた性能が得られることを示した。
論文参考訳（メタデータ） (2023-09-16T10:56:00Z)
Prompting and Evaluating Large Language Models for Proactive Dialogues: Clarification, Target-guided, and Non-collaboration [72.04629217161656]
本研究は, 明瞭化, 目標誘導, 非協調対話の3つの側面に焦点をあてる。 LLMの能動性を高めるために,プロアクティブ・チェーン・オブ・ソート・プロンプト方式を提案する。
論文参考訳（メタデータ） (2023-05-23T02:49:35Z)
A Survey on Recent Advances and Challenges in Reinforcement LearningMethods for Task-Oriented Dialogue Policy Learning [16.545577313042827]
強化学習(Reinforcement Learning, RL)は、ユーザが環境として、システムがエージェントとして、対話ポリシーを学ぶために一般的に選択される。本稿では,RLの規範に基づく対話政策の最近の進歩と課題について調査する。本稿では,最新の手法をRLの基本要素に分類することで,対話政策学習にRLを適用するための総合的な調査を行う。
論文参考訳（メタデータ） (2022-02-28T10:50:22Z)

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。