論文の概要: REIC: RAG-Enhanced Intent Classification at Scale

• arxiv url: http://arxiv.org/abs/2506.00210v1
• Date: Fri, 30 May 2025 20:32:10 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-04 21:47:32.506104
• Title: REIC: RAG-Enhanced Intent Classification at Scale
• Title（参考訳）: REIC: RAG-Enhanced Intent Classification at Scale
• Authors: Ziji Zhang, Michael Yang, Zhiyu Chen, Yingying Zhuang, Shu-Ting Pi, Qun Liu, Rajashekar Maragoud, Vy Nguyen, Anurag Beniwal,
• Abstract要約: 本稿では,Retrieval-augmented Generation Enhanced Intent ClassificationアプローチであるREICを紹介する。 大規模な顧客サービス設定において、REICが従来の微調整、ゼロショット、少数ショットメソッドよりも優れていることを実証する。
• 参考スコア（独自算出の注目度）: 22.412648512634068
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Accurate intent classification is critical for efficient routing in customer service, ensuring customers are connected with the most suitable agents while reducing handling times and operational costs. However, as companies expand their product lines, intent classification faces scalability challenges due to the increasing number of intents and variations in taxonomy across different verticals. In this paper, we introduce REIC, a Retrieval-augmented generation Enhanced Intent Classification approach, which addresses these challenges effectively. REIC leverages retrieval-augmented generation (RAG) to dynamically incorporate relevant knowledge, enabling precise classification without the need for frequent retraining. Through extensive experiments on real-world datasets, we demonstrate that REIC outperforms traditional fine-tuning, zero-shot, and few-shot methods in large-scale customer service settings. Our results highlight its effectiveness in both in-domain and out-of-domain scenarios, demonstrating its potential for real-world deployment in adaptive and large-scale intent classification systems.
• Abstract（参考訳）: 顧客サービスの効率的なルーティングには正確な意図分類が不可欠であり、処理時間と運用コストを削減しつつ、顧客が最も適切なエージェントと接続されることを保証する。 しかし、企業が製品ラインを拡大するにつれ、意図分類は様々な分野にまたがる分類の意図やバリエーションの増加によってスケーラビリティの課題に直面している。 本稿では,Retrieval-augmented generation Enhanced Intent ClassificationアプローチであるREICを紹介し,これらの課題を効果的に解決する。 REICは検索強化世代(RAG)を活用し、関連する知識を動的に統合し、頻繁な再訓練を必要とせずに正確な分類を可能にする。 実世界のデータセットに関する広範な実験を通じて、REICは、大規模な顧客サービス設定において、従来の微調整、ゼロショット、少数ショットメソッドよりも優れています。 本結果は,ドメイン内シナリオとドメイン外シナリオの両方において有効性を強調し,適応型および大規模インテント分類システムにおける実環境展開の可能性を示した。

関連論文リスト

• KARE-RAG: Knowledge-Aware Refinement and Enhancement for RAG [63.82127103851471]
  Retrieval-Augmented Generation (RAG)は、大規模言語モデルがより広範な知識ソースにアクセスすることを可能にする。 ノイズの多いコンテンツを処理するために生成モデルの能力を向上させることは、ロバストなパフォーマンスに等しく重要であることを実証する。 本稿では,3つの重要なイノベーションを通じて知識利用を改善するKARE-RAGを提案する。
  論文  参考訳（メタデータ） (2025-06-03T06:31:17Z)
• Lightweight and Direct Document Relevance Optimization for Generative Information Retrieval [49.669503570350166]
  生成情報検索(GenIR)は、文書識別子(ドシデント)生成タスクとして文書検索を定式化する有望なニューラル検索パラダイムである。 既存のGenIRモデルはトークンレベルのミスアライメントに悩まされており、次のトークンを予測するためにトレーニングされたモデルは、ドキュメントレベルの関連性を効果的にキャプチャできないことが多い。 本稿では,トークンレベルのドシデント生成と文書レベルのドシデンス推定をペアのランク付けによる直接最適化により整合するダイレクトドキュメントレバレンス最適化(DDRO)を提案する。
  論文  参考訳（メタデータ） (2025-04-07T15:27:37Z)
• Fast or Better? Balancing Accuracy and Cost in Retrieval-Augmented Generation with Flexible User Control [52.405085773954596]
  Retrieval-Augmented Generation (RAG) は、大規模言語モデル幻覚を緩和するための強力なアプローチとして登場した。 既存のRAGフレームワークは、しばしば無差別に検索を適用し、非効率な再検索につながる。 本稿では,精度・コストのトレードオフを動的に調整できる新しいユーザ制御可能なRAGフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-02-17T18:56:20Z)
• Beyond Self-Consistency: Loss-Balanced Perturbation-Based Regularization Improves Industrial-Scale Ads Ranking [17.264202675913012]
  摂動に基づく正規化技術は、産業規模の大規模モデルにおける多くの課題に対処する。 我々は、潜在的にどんなディープラーニングモデルでも使用できるLSPR(Los-Balanced Small Perturbation Regularization)を提案する。 SCR(Self-Consistency Regularization approach)とLSPR(LSPR)の両方がスケーラブルで、広告配信システムを改善することができることを示した。
  論文  参考訳（メタデータ） (2025-02-05T23:24:52Z)
• Class-RAG: Real-Time Content Moderation with Retrieval Augmented Generation [15.298017013140385]
  検索拡張生成(Class-RAG)を用いた分類手法を提案する。 モデル微調整と比較すると、クラスRAGは意思決定の柔軟性と透明性を示し、分類に優れ、敵の攻撃に対してより堅牢である。 また,検索ライブラリのサイズによってクラスRAG性能が向上することが示唆され,ライブラリサイズの増加はコンテンツモデレーションを改善するための実用的で低コストなアプローチであることが示唆された。
  論文  参考訳（メタデータ） (2024-10-18T22:07:36Z)
• Augmentation-induced Consistency Regularization for Classification [25.388324221293203]
  我々はCR-Augと呼ばれるデータ拡張に基づく一貫性の規則化フレームワークを提案する。 CR-Augは、データ拡張によって生成された異なるサブモデルの出力分布を互いに整合するように強制する。 画像と音声の分類タスクにCR-Augを実装し、その有効性を検証するために広範な実験を行う。
  論文  参考訳（メタデータ） (2022-05-25T03:15:36Z)
• Enhancing the Generalization for Intent Classification and Out-of-Domain Detection in SLU [70.44344060176952]
  インテント分類は、音声言語理解(SLU)における主要な課題である 近年の研究では、余分なデータやラベルを使用することで、OOD検出性能が向上することが示されている。 本稿では、IND意図分類とOOD検出の両方をサポートしながら、INDデータのみを用いてモデルを訓練することを提案する。
  論文  参考訳（メタデータ） (2021-06-28T08:27:38Z)
• Adversarial Feature Augmentation and Normalization for Visual Recognition [109.6834687220478]
  最近のコンピュータビジョンの進歩は、分類モデルの一般化能力を改善するために、逆データ拡張を利用する。 本稿では,中間的特徴埋め込みにおける敵対的拡張を提唱する効率的かつ効率的な代替手法を提案する。 代表的なバックボーンネットワークを用いて,多様な視覚認識タスクにまたがる提案手法を検証する。
  論文  参考訳（メタデータ） (2021-03-22T20:36:34Z)
• CRACT: Cascaded Regression-Align-Classification for Robust Visual Tracking [97.84109669027225]
  改良された提案改良モジュールCascaded Regression-Align- Classification (CRAC)を導入する。 CRACは多くのベンチマークで最先端のパフォーマンスを得る。 OTB-2015、UAV123、NfS、VOT-2018、TrackingNet、GOT-10k、LaSOTを含む7つのベンチマークの実験において、我々のCRACTは最先端の競合他社と比較して非常に有望な結果を示している。
  論文  参考訳（メタデータ） (2020-11-25T02:18:33Z)

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。