Fugu-MT 論文翻訳(概要): Exploring Description-Augmented Dataless Intent Classification

論文の概要: Exploring Description-Augmented Dataless Intent Classification

arxiv url: http://arxiv.org/abs/2407.17862v1
Date: Thu, 25 Jul 2024 08:31:57 GMT
ステータス: 処理完了
システム内更新日: 2024-07-26 14:48:09.263044
Title: Exploring Description-Augmented Dataless Intent Classification
Title（参考訳）: 記述型データレスインテント分類の探索
Authors: Ruoyu Hu, Foaad Khosmood, Abbas Edalat,
Abstract要約: 我々は、データレスインテント分類における記述強化埋め込み類似性を活用するためのいくつかのスキームを紹介した。我々は、データレス分類スケーリングの有望な結果を、無意味な意図を多数提示する。
参考スコア（独自算出の注目度）: 1.5839621757142595
License: http://creativecommons.org/licenses/by/4.0/
Abstract: In this work, we introduce several schemes to leverage description-augmented embedding similarity for dataless intent classification using current state-of-the-art (SOTA) text embedding models. We report results of our methods on four commonly used intent classification datasets and compare against previous works of a similar nature. Our work shows promising results for dataless classification scaling to a large number of unseen intents. We show competitive results and significant improvements (+6.12\% Avg.) over strong zero-shot baselines, all without training on labelled or task-specific data. Furthermore, we provide qualitative error analysis of the shortfalls of this methodology to help guide future research in this area.
Abstract（参考訳）: 本研究では,現在最先端(SOTA)テキスト埋め込みモデルを用いたデータレスインテント分類において,記述強化された埋め込み類似性を活用するためのいくつかのスキームを提案する。提案手法は,4つの目的分類データセットに対して提案手法の結果を報告し,類似した性質の以前の研究と比較した。我々の研究は、データレス分類のスケーリングを、多くの目に見えない意図に拡張する有望な結果を示している。競争結果と大幅な改善(+6.12\%Avg)を示す。ラベル付きデータやタスク固有のデータをトレーニングせずに、強力なゼロショットベースライン上で実行すること。さらに,本手法の欠点を定性的に解析し,今後の研究の指針となる。

関連論文リスト

Contextuality Helps Representation Learning for Generalized Category Discovery [5.885208652383516]
本稿では、文脈性の概念を活用することにより、一般化カテゴリー発見(GCD)への新たなアプローチを提案する。我々のモデルでは,コントラスト学習に最も近いコンテキストが使用されるインスタンスレベルと,コントラスト学習を利用するクラスタレベルという,2つのコンテキストレベルを統合している。文脈情報の統合は、特徴学習を効果的に改善し、その結果、すべてのカテゴリの分類精度が向上する。
論文参考訳（メタデータ） (2024-07-29T07:30:41Z)
Towards Weakly-Supervised Hate Speech Classification Across Datasets [47.101942709219784]
そこで本研究では,テキスト分類モデルの有効性について検討した。また,HS分類モデルの一般化性の低さの原因について,詳細な定量的,定性的な分析を行った。
論文参考訳（メタデータ） (2023-05-04T08:15:40Z)
Evaluating Unsupervised Text Classification: Zero-shot and Similarity-based Approaches [0.6767885381740952]
類似性に基づくアプローチは、テキスト文書表現とクラス記述表現の類似性に基づいてインスタンスを分類しようとする。ゼロショットテキスト分類手法は、未知クラスの適切なラベルをテキスト文書に割り当てることで、トレーニングタスクから得られる知識を一般化することを目的としている。本稿では, 類似度に基づくゼロショットとゼロショットのアプローチを, 未確認クラスのテキスト分類のために体系的に評価する。
論文参考訳（メタデータ） (2022-11-29T15:14:47Z)
Association Graph Learning for Multi-Task Classification with Category Shifts [68.58829338426712]
関連する分類タスクが同じラベル空間を共有し、同時に学習されるマルチタスク分類に焦点を当てる。我々は、不足クラスのためのタスク間で知識を伝達する関連グラフを学習する。我々の手法は代表的基準よりも一貫して性能が良い。
論文参考訳（メタデータ） (2022-10-10T12:37:41Z)
Few-shot Text Classification with Dual Contrastive Consistency [31.141350717029358]
本稿では,事前学習した言語モデルを用いて,数ショットのテキスト分類を行う方法について検討する。ラベル付きデータが少ない場合の教師付きコントラスト学習と、ラベルなしデータの一貫性と規則化を採用する。
論文参考訳（メタデータ） (2022-09-29T19:26:23Z)
Annotation Error Detection: Analyzing the Past and Present for a More Coherent Future [63.99570204416711]
我々は、潜在的なアノテーションの誤りを検知するための18の手法を再実装し、9つの英語データセット上で評価する。アノテーションエラー検出タスクの新しい形式化を含む一様評価設定を定義する。私たちはデータセットと実装を,使いやすく,オープンソースのソフトウェアパッケージとしてリリースしています。
論文参考訳（メタデータ） (2022-06-05T22:31:45Z)
AutoNovel: Automatically Discovering and Learning Novel Visual Categories [138.80332861066287]
本稿では,他のクラスをラベル付けしたイメージコレクションにおける新しいクラス発見問題に対処するため,AutoNovelと呼ばれる新しいアプローチを提案する。我々はAutoNovelを標準分類ベンチマークで評価し、新しいカテゴリー発見の手法をかなり上回っている。
論文参考訳（メタデータ） (2021-06-29T11:12:16Z)
Multitask Learning for Class-Imbalanced Discourse Classification [74.41900374452472]
マルチタスクアプローチは,現在のベンチマークで7%のマイクロf1コアを改善できることを示す。また,NLPにおける資源不足問題に対処するための追加手法の比較検討を行った。
論文参考訳（メタデータ） (2021-01-02T07:13:41Z)
On the Ambiguity of Rank-Based Evaluation of Entity Alignment or Link Prediction Methods [27.27230441498167]
本稿では,知識グラフから情報を得る方法として,リンク予測とエンティティアライメント(Entity Alignment)の2つのファミリについて,より詳しく検討する。特に、既存のスコアはすべて、異なるデータセット間で結果を比較するのにほとんど役に立たないことを実証する。これは結果の解釈において様々な問題を引き起こしており、誤解を招く結論を裏付ける可能性がある。
論文参考訳（メタデータ） (2020-02-17T12:26:14Z)
Automatically Discovering and Learning New Visual Categories with Ranking Statistics [145.89790963544314]
我々は,他のクラスをラベル付けした画像コレクションにおいて,新しいクラスを発見する問題に対処する。汎用クラスタリングモデルを学び、後者を用いて、非競合データ中の新しいクラスを識別する。我々は,標準分類ベンチマークに対するアプローチと,新しいカテゴリー発見法の性能を,有意なマージンで評価した。
論文参考訳（メタデータ） (2020-02-13T18:53:32Z)

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。