論文の概要: Multi-Granularity Open Intent Classification via Adaptive Granular-Ball Decision Boundary
- arxiv url: http://arxiv.org/abs/2412.13542v1
- Date: Wed, 18 Dec 2024 06:42:19 GMT
- ステータス: 翻訳完了
- システム内更新日: 2024-12-19 13:24:50.501205
- Title: Multi-Granularity Open Intent Classification via Adaptive Granular-Ball Decision Boundary
- Title(参考訳): 適応粒界決定境界を用いた多粒度オープンインテント分類
- Authors: Yanhua Li, Xiaocao Ouyang, Chaofan Pan, Jie Zhang, Sen Zhao, Shuyin Xia, Xin Yang, Guoyin Wang, Tianrui Li,
- Abstract要約: 適応的粒界決定境界(MOGB)を用いた多粒度オープン意図分類法を提案する。
提案手法は,表現学習と決定境界獲得という2つのモジュールから構成される。
これは適応的な粒球クラスタリングと最も近いセントロイド分類を反復的に交互に交互に行い、既知の意図クラス内の微細な意味構造をキャプチャする。
- 参考スコア(独自算出の注目度): 22.669965275069313
- License:
- Abstract: Open intent classification is critical for the development of dialogue systems, aiming to accurately classify known intents into their corresponding classes while identifying unknown intents. Prior boundary-based methods assumed known intents fit within compact spherical regions, focusing on coarse-grained representation and precise spherical decision boundaries. However, these assumptions are often violated in practical scenarios, making it difficult to distinguish known intent classes from unknowns using a single spherical boundary. To tackle these issues, we propose a Multi-granularity Open intent classification method via adaptive Granular-Ball decision boundary (MOGB). Our MOGB method consists of two modules: representation learning and decision boundary acquiring. To effectively represent the intent distribution, we design a hierarchical representation learning method. This involves iteratively alternating between adaptive granular-ball clustering and nearest sub-centroid classification to capture fine-grained semantic structures within known intent classes. Furthermore, multi-granularity decision boundaries are constructed for open intent classification by employing granular-balls with varying centroids and radii. Extensive experiments conducted on three public datasets demonstrate the effectiveness of our proposed method.
- Abstract(参考訳): オープンインテント分類は対話システムの発展に不可欠であり、未知インテントを識別しながら、既知のインテントを対応するクラスに正確に分類することを目的としている。
従来の境界に基づく手法では、既知の意図はコンパクトな球面領域に収まると考えられており、粗い粒度の表現と正確な球面決定境界に焦点が当てられている。
しかし、これらの仮定は実際的なシナリオではしばしば破られ、単一の球面境界を用いて既知の意図クラスと未知のクラスを区別することは困難である。
これらの問題に対処するために,適応的粒界決定境界(MOGB)を用いた多粒度オープン意図分類法を提案する。
提案手法は,表現学習と決定境界獲得という2つのモジュールから構成される。
意図分布を効果的に表現するために,階層的表現学習法を設計する。
これは適応的な粒球クラスタリングと最も近いセントロイド分類を反復的に交互に交互に行い、既知の意図クラス内の微細な意味構造をキャプチャする。
さらに、多粒度決定境界は、様々なセントロイドとラジイを持つ粒状球を用いて、オープンインテント分類のために構築される。
3つの公開データセットで行った大規模な実験により,提案手法の有効性が示された。
関連論文リスト
- Bidirectional Logits Tree: Pursuing Granularity Reconcilement in Fine-Grained Classification [89.20477310885731]
本稿では,粒度分類タスクにおけるグラニュラリティコンペティションの課題について述べる。
既存のアプローチは通常、共通のベースエンコーダから抽出された共有特徴に基づいて、独立した階層認識モデルを開発する。
グラニュラリティ再構成のための双方向ロジットツリー(BiLT)と呼ばれる新しいフレームワークを提案する。
論文 参考訳(メタデータ) (2024-12-17T10:42:19Z) - A robust three-way classifier with shadowed granular-balls based on justifiable granularity [53.39844791923145]
我々は、不確実なデータのために、影付きGBの頑健な3方向分類器を構築した。
本モデルでは,不確実なデータ管理を実証し,分類リスクを効果的に軽減する。
論文 参考訳(メタデータ) (2024-07-03T08:54:45Z) - Effective Open Intent Classification with K-center Contrastive Learning
and Adjustable Decision Boundary [28.71330804762103]
オープンインテント分類の有効性を向上するために,新しいK中心のコントラスト学習とCLAB(Compactable decision boundary learning)を導入する。
具体的には,K中心のコントラスト学習アルゴリズムを考案し,差別的かつバランスの取れた意図的特徴を学習する。
次に、決定中心と決定境界の半径からなる、既知の意図クラス毎に決定境界を学習する。
論文 参考訳(メタデータ) (2023-04-20T11:35:06Z) - Learning Discriminative Representations and Decision Boundaries for Open
Intent Detection [16.10123071366136]
オープンインテント検出は自然言語理解において重要な問題である。
オープンな意図検出のための距離認識意図表現と適応的決定境界を学習するDA-ADBを提案する。
我々のフレームワークは3つのベンチマークデータセットで大幅に改善されている。
論文 参考訳(メタデータ) (2022-03-11T10:02:09Z) - MCDAL: Maximum Classifier Discrepancy for Active Learning [74.73133545019877]
近年の最先端のアクティブラーニング手法は, 主にGAN(Generative Adversarial Networks)をサンプル取得に活用している。
本稿では,MCDAL(Maximum Discrepancy for Active Learning)と呼ぶ新しいアクティブラーニングフレームワークを提案する。
特に,両者の差分を最大化することにより,より厳密な決定境界を学習する2つの補助的分類層を利用する。
論文 参考訳(メタデータ) (2021-07-23T06:57:08Z) - Hierarchical Modeling for Out-of-Scope Domain and Intent Classification [55.23920796595698]
本稿では,対話システムにおけるスコープ外意図分類に焦点をあてる。
ドメインとインテントを同時に分類する共同モデルに基づく階層型マルチタスク学習手法を提案する。
実験により、モデルが既存の手法よりも精度、スコープ外リコール、F1で優れていることが示された。
論文 参考訳(メタデータ) (2021-04-30T06:38:23Z) - Deep Clustering by Semantic Contrastive Learning [67.28140787010447]
Semantic Contrastive Learning (SCL) と呼ばれる新しい変種を紹介します。
従来のコントラスト学習とディープクラスタリングの両方の特徴を探求する。
コントラスト学習と深層クラスタリングの強みを統一的なアプローチで増幅することができる。
論文 参考訳(メタデータ) (2021-03-03T20:20:48Z) - Deep Open Intent Classification with Adaptive Decision Boundary [21.478553057876972]
オープン意図分類のための適応決定境界(ADB)を学習するための後処理手法を提案する。
具体的には,経験的リスクとオープンスペースリスクを両立させる新たな損失関数を提案する。
私たちのアプローチは、ラベル付きデータが少なく、既知の意図が少ないと驚くほど非感受性です。
論文 参考訳(メタデータ) (2020-12-18T13:05:11Z) - Contrastive Rendering for Ultrasound Image Segmentation [59.23915581079123]
米国の画像にシャープな境界がないことは、セグメンテーションに固有の課題である。
我々は,US画像における境界推定を改善するための,新しい,効果的なフレームワークを提案する。
提案手法は最先端の手法より優れており,臨床応用の可能性も高い。
論文 参考訳(メタデータ) (2020-10-10T07:14:03Z)
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。