論文の概要: Interpretable and Robust Dialogue State Tracking via Natural Language Summarization with LLMs

• arxiv url: http://arxiv.org/abs/2503.08857v1
• Date: Tue, 11 Mar 2025 19:52:02 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-13 15:36:29.774746
• Title: Interpretable and Robust Dialogue State Tracking via Natural Language Summarization with LLMs
• Title（参考訳）: LLMを用いた自然言語要約による解釈・ロバスト対話状態追跡
• Authors: Rafael Carranza, Mateo Alejandro Rojas,
• Abstract要約: 本稿では,対話状態の自然言語記述を生成するために,Large Language Models(LLMs)を利用した対話状態追跡(DST)を提案する。 以上の結果から,NL-DSTはより柔軟で,正確で,人間に理解可能な対話状態追跡手法である可能性が示唆された。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: This paper introduces a novel approach to Dialogue State Tracking (DST) that leverages Large Language Models (LLMs) to generate natural language descriptions of dialogue states, moving beyond traditional slot-value representations. Conventional DST methods struggle with open-domain dialogues and noisy inputs. Motivated by the generative capabilities of LLMs, our Natural Language DST (NL-DST) framework trains an LLM to directly synthesize human-readable state descriptions. We demonstrate through extensive experiments on MultiWOZ 2.1 and Taskmaster-1 datasets that NL-DST significantly outperforms rule-based and discriminative BERT-based DST baselines, as well as generative slot-filling GPT-2 DST models, in both Joint Goal Accuracy and Slot Accuracy. Ablation studies and human evaluations further validate the effectiveness of natural language state generation, highlighting its robustness to noise and enhanced interpretability. Our findings suggest that NL-DST offers a more flexible, accurate, and human-understandable approach to dialogue state tracking, paving the way for more robust and adaptable task-oriented dialogue systems.
• Abstract（参考訳）: 本稿では,対話状態の自然言語記述を生成するために,Large Language Models(LLMs)を利用した対話状態追跡(DST)を提案する。 従来のDSTメソッドは、オープンドメインの対話やノイズの多い入力に苦労する。 我々の自然言語DST(NL-DST)フレームワークは、LLMをトレーニングし、人間の読みやすい状態記述を直接合成する。 我々は,MultiWOZ 2.1 と Taskmaster-1 データセットの広範な実験を通じて,NL-DST が規則ベースおよび差別的 BERT ベースの DST ベースライン,および生成スロット充填 GPT-2 DST モデルよりはるかに優れていることを示す。 アブレーション研究と人的評価は、自然言語の状態生成の有効性をさらに検証し、その雑音に対する頑健さと解釈可能性の向上を強調している。 以上の結果から,NL-DSTはより柔軟で正確かつ人間に理解可能な対話状態追跡手法を提供し,より堅牢で適応可能なタスク指向対話システムを実現することが示唆された。

関連論文リスト

• Unraveling the Dominance of Large Language Models Over Transformer Models for Bangla Natural Language Inference: A Comprehensive Study [0.0]
  自然言語推論(NLI)は自然言語処理(NLP)の基盤である 本研究では,ベンガル語のような低リソース言語におけるLLM(Large Language Models)の評価について検討した。
  論文  参考訳（メタデータ） (2024-05-05T13:57:05Z)
• 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)
• Let Models Speak Ciphers: Multiagent Debate through Embeddings [84.20336971784495]
  この問題を解決するためにCIPHER(Communicative Inter-Model Protocol Through Embedding Representation)を導入する。 自然言語から逸脱することで、CIPHERはモデルの重みを変更することなく、より広い範囲の情報を符号化する利点を提供する。 このことは、LLM間の通信における代替の"言語"としての埋め込みの優越性と堅牢性を示している。
  論文  参考訳（メタデータ） (2023-10-10T03:06:38Z)
• ChatABL: Abductive Learning via Natural Language Interaction with ChatGPT [72.83383437501577]
  大規模言語モデル(LLM)は、最近数学的な能力において大きな可能性を証明している。 LLMは現在、認識、言語理解、推論能力のブリッジングに困難を抱えている。 本稿では, LLMを帰納学習フレームワークに統合する新しい手法を提案する。
  論文  参考訳（メタデータ） (2023-04-21T16:23:47Z)
• OLISIA: a Cascade System for Spoken Dialogue State Tracking [1.6655682083533425]
  OLISIAは、自動音声認識(ASR)モデルと対話状態追跡(DST)モデルを統合するカスケードシステムである。 ASRおよびDSTモジュールにいくつかの適応を導入し、音声会話の統合性や堅牢性を向上させる。 ASR出力の正規化とデータ拡張によるDST入力の適応と、事前学習したモデルサイズの増加は、すべて、文字と音声の会話における性能の相違を低減する上で重要な役割を担っている。
  論文  参考訳（メタデータ） (2023-04-20T09:30:50Z)
• A Study on Prompt-based Few-Shot Learning Methods for Belief State Tracking in Task-oriented Dialog Systems [10.024834304960846]
  タスク指向対話システムにおける対話的状態追跡問題に取り組む。 この問題に対する最近のアプローチでは、Transformerベースのモデルが大きな成果を上げている。 対話的信念状態追跡のためのプロンプトベース数ショット学習について検討する。
  論文  参考訳（メタデータ） (2022-04-18T05:29:54Z)
• Cross-Lingual Dialogue Dataset Creation via Outline-Based Generation [70.81596088969378]
  言語間アウトラインに基づく対話データセット(COD)は、自然言語の理解を可能にする。 CODは、4つの異なる言語で対話状態の追跡とエンドツーエンドの対話モデリングと評価を可能にする。
  論文  参考訳（メタデータ） (2022-01-31T18:11:21Z)
• Prompt Learning for Few-Shot Dialogue State Tracking [75.50701890035154]
  本稿では,限られたラベル付きデータを用いて,対話状態追跡(DST)モデルを効率的に学習する方法に焦点を当てる。 本稿では,2つの主要なコンポーネントである値ベースプロンプトと逆プロンプト機構からなる,数ショットDSTのためのプロンプト学習フレームワークを設計する。 実験により、我々のモデルは未確認のスロットを生成し、既存の最先端の数ショット法より優れていることが示された。
  論文  参考訳（メタデータ） (2022-01-15T07:37:33Z)
• Joint Contextual Modeling for ASR Correction and Language Understanding [60.230013453699975]
  言語理解(LU)と協調してASR出力の文脈的言語補正を行うマルチタスクニューラルアプローチを提案する。 そこで本研究では,市販のASRおよびLUシステムの誤差率を,少量のドメイン内データを用いてトレーニングしたジョイントモデルと比較して14%削減できることを示した。
  論文  参考訳（メタデータ） (2020-01-28T22:09:25Z)

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。