論文の概要: Using Domain Knowledge to Guide Dialog Structure Induction via Neural Probabilistic Soft Logic
- arxiv url: http://arxiv.org/abs/2403.17853v1
- Date: Tue, 26 Mar 2024 16:42:30 GMT
- ステータス: 処理完了
- システム内更新日: 2024-03-27 14:27:54.658259
- Title: Using Domain Knowledge to Guide Dialog Structure Induction via Neural Probabilistic Soft Logic
- Title（参考訳）: ドメイン知識を用いたニューラル確率的ソフト論理による対話構造誘導
- Authors: Connor Pryor, Quan Yuan, Jeremiah Liu, Mehran Kazemi, Deepak Ramachandran, Tania Bedrax-Weiss, Lise Getoor,
- Abstract要約: ダイアログ構造誘導(DSI)は、与えられたゴール指向ダイアログの潜在ダイアログ構造を推定するタスクである。
既存のDSIアプローチは、ドメイン知識にアクセスせずに遅延状態を推論する純粋なデータ駆動のデプロイモデルであることが多い。
本稿では,ニューラル確率的ソフト論理対話構造誘導法(NEUPSL DSI)を提案する。
- 参考スコア（独自算出の注目度）: 21.3531538363406
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Dialog Structure Induction (DSI) is the task of inferring the latent dialog structure (i.e., a set of dialog states and their temporal transitions) of a given goal-oriented dialog. It is a critical component for modern dialog system design and discourse analysis. Existing DSI approaches are often purely data-driven, deploy models that infer latent states without access to domain knowledge, underperform when the training corpus is limited/noisy, or have difficulty when test dialogs exhibit distributional shifts from the training domain. This work explores a neural-symbolic approach as a potential solution to these problems. We introduce Neural Probabilistic Soft Logic Dialogue Structure Induction (NEUPSL DSI), a principled approach that injects symbolic knowledge into the latent space of a generative neural model. We conduct a thorough empirical investigation on the effect of NEUPSL DSI learning on hidden representation quality, few-shot learning, and out-of-domain generalization performance. Over three dialog structure induction datasets and across unsupervised and semi-supervised settings for standard and cross-domain generalization, the injection of symbolic knowledge using NEUPSL DSI provides a consistent boost in performance over the canonical baselines.
- Abstract（参考訳）: ダイアログ構造誘導(DSI)は、与えられた目標指向のダイアログの潜在ダイアログ構造(すなわち、ダイアログ状態とその時間遷移)を推定するタスクである。
現代のダイアログシステム設計と談話分析において重要な要素である。
既存のDSIアプローチは、多くの場合、純粋なデータ駆動であり、ドメイン知識にアクセスせずに遅延状態を推論するデプロイモデル、トレーニングコーパスが制限/ノイズの多い場合や、テストダイアログがトレーニングドメインから分散シフトを示す場合の難しさなどである。
この研究は、これらの問題に対する潜在的な解決策として、ニューラルシンボリックアプローチを探求する。
本稿では,ニューラル確率的ソフト論理対話構造誘導法(NEUPSL DSI)を提案する。
NEUPSL DSI学習が隠れ表現品質, 少数ショット学習, ドメイン外一般化性能に与える影響について, 徹底的な実験的検討を行った。
3つ以上のダイアログ構造誘導データセットと、標準およびクロスドメインの一般化のための教師なしおよび半教師なしのセッティングを通じて、NEUPSL DSIを用いたシンボリック知識の注入は、標準ベースラインよりも一貫したパフォーマンス向上を提供する。
関連論文リスト
- Injecting linguistic knowledge into BERT for Dialogue State Tracking [60.42231674887294]
本稿では,教師なしの枠組みを用いて言語知識を抽出する手法を提案する。
次に、この知識を用いて、対話状態追跡(DST)タスクにおけるBERTの性能と解釈可能性を高める。
このフレームワークを様々なDSTタスクでベンチマークし、精度の顕著な改善を観察する。
論文 参考訳（メタデータ） (2023-11-27T08:38:42Z) - Emotion Recognition in Conversation using Probabilistic Soft Logic [17.62924003652853]
会話における感情認識(英: emotion recognition in conversation、ERC)とは、2つ以上の発話を含む会話に焦点を当てた感情認識のサブフィールドである。
我々は,宣言的テンプレート言語である確率的ソフト論理(PSL)にアプローチを実装した。
PSLは、ニューラルモデルからPSLモデルへの結果の取り込みのための機能を提供する。
提案手法を最先端の純粋ニューラルネットワークERCシステムと比較した結果,約20%の改善が得られた。
論文 参考訳（メタデータ） (2022-07-14T23:59:06Z) - Structure Extraction in Task-Oriented Dialogues with Slot Clustering [94.27806592467537]
タスク指向対話では、対話構造はしばしば対話状態間の遷移グラフと見なされている。
本稿では,タスク指向対話における構造抽出のための簡易かつ効果的な手法を提案する。
論文 参考訳（メタデータ） (2022-02-28T20:18:12Z) - Every time I fire a conversational designer, the performance of the
dialog system goes down [0.07696728525672149]
本稿では,会話設計者のドメイン知識の明示的利用が,ニューラルベース対話システムの性能に与える影響について検討する。
半論理規則で明示的な知識を符号化した対話型論理帰納型ニューラルネットシステム(CLINN)を提案する。
論文 参考訳（メタデータ） (2021-09-27T13:05:31Z) - Preliminary study on using vector quantization latent spaces for TTS/VC
systems with consistent performance [55.10864476206503]
本稿では,潜在言語埋め込みをモデル化するための量子化ベクトルの利用について検討する。
トレーニングにおいて、潜伏空間上の異なるポリシーを強制することにより、潜伏言語埋め込みを得ることができる。
実験の結果,ベクトル量子化法で構築した音声クローニングシステムは,知覚的評価の点でわずかに劣化していることがわかった。
論文 参考訳（メタデータ） (2021-06-25T07:51:35Z) - Discovering Dialog Structure Graph for Open-Domain Dialog Generation [51.29286279366361]
chitchat corporaの対話構造を無監督で発見します。
次に、下流システムでのダイアログ生成を容易にするために利用します。
本稿では,グラフニューラルネットワーク(DVAE-GNN)を用いた離散変分自動エンコーダを提案する。
論文 参考訳（メタデータ） (2020-12-31T10:58:37Z) - Collaboratively boosting data-driven deep learning and knowledge-guided
ontological reasoning for semantic segmentation of remote sensing imagery [2.342488890032597]
DSSNはエンドツーエンドのメカニズムでトレーニングでき、低レベルおよび中レベルのキューを使用する能力がある。
人間は優れた推論能力を持ち、RS画像を確実に解釈することができる。
本稿では,データ駆動型ディープラーニングモジュールと知識誘導型オントロジ推論モジュールを組み合わせるための協調的強化フレームワーク(CBF)を提案する。
論文 参考訳（メタデータ） (2020-10-06T03:32:17Z) - Structured Attention for Unsupervised Dialogue Structure Induction [110.12561786644122]
本稿では、構造化された注意層を離散潜在状態を持つ変化型リカレントニューラルネットワーク(VRNN)モデルに組み込んで、教師なしの方法で対話構造を学ぶことを提案する。
バニラVRNNと比較して、構造化された注意は、構造的帰納バイアスを強制しながら、ソース文の埋め込みの異なる部分にフォーカスすることができる。
論文 参考訳（メタデータ） (2020-09-17T23:07:03Z) - Modelling Hierarchical Structure between Dialogue Policy and Natural
Language Generator with Option Framework for Task-oriented Dialogue System [49.39150449455407]
HDNOは、特定の対話行為表現の設計を避けるために潜在対話行為を設計するためのオプションフレームワークである。
RL,LaRL,HDSAで学習した単語レベルE2Eモデルと比較して,マルチドメイン対話のデータセットであるMultiWoz 2.0とMultiWoz 2.1でHDNOをテストする。
論文 参考訳（メタデータ） (2020-06-11T20:55:28Z) - Probing Neural Dialog Models for Conversational Understanding [21.76744391202041]
ニューラルオープンドメインダイアログシステムで学習した内部表現を解析する。
この結果から,標準のオープンドメインダイアログシステムでは解答が困難であることが示唆された。
また、ダイアログのダイアログ的ターンテイク性は、これらのモデルによって完全に活用されていないことも判明した。
論文 参考訳（メタデータ） (2020-06-07T17:32:00Z)
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。