論文の概要: Integration of Old and New Knowledge for Generalized Intent Discovery: A Consistency-driven Prototype-Prompting Framework

• arxiv url: http://arxiv.org/abs/2506.08490v1
• Date: Tue, 10 Jun 2025 06:30:17 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-11 15:11:41.670743
• Title: Integration of Old and New Knowledge for Generalized Intent Discovery: A Consistency-driven Prototype-Prompting Framework
• Title（参考訳）: 汎用インテント発見のための古知識と新知識の統合:一貫性駆動型プロトタイププロンプティングフレームワーク
• Authors: Xiao Wei, Xiaobao Wang, Ning Zhuang, Chenyang Wang, Longbiao Wang, Jianwu dang,
• Abstract要約: Generalized Intent Discovery (GID)は、未ラベルのOODデータを活用して、追加のアノテーションなしで新しいインテントを発見することで、この問題に対処する。 本稿では,古知識と新知識の統合の観点から,GIDのための一貫性駆動型プロトタイプ・プロンプトフレームワークを提案する。 提案手法は,すべてのベースライン法を著しく上回り,最先端の結果が得られている。
• 参考スコア（独自算出の注目度）: 49.60947755616314
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Intent detection aims to identify user intents from natural language inputs, where supervised methods rely heavily on labeled in-domain (IND) data and struggle with out-of-domain (OOD) intents, limiting their practical applicability. Generalized Intent Discovery (GID) addresses this by leveraging unlabeled OOD data to discover new intents without additional annotation. However, existing methods focus solely on clustering unsupervised data while neglecting domain adaptation. Therefore, we propose a consistency-driven prototype-prompting framework for GID from the perspective of integrating old and new knowledge, which includes a prototype-prompting framework for transferring old knowledge from external sources, and a hierarchical consistency constraint for learning new knowledge from target domains. We conducted extensive experiments and the results show that our method significantly outperforms all baseline methods, achieving state-of-the-art results, which strongly demonstrates the effectiveness and generalization of our methods. Our source code is publicly available at https://github.com/smileix/cpp.
• Abstract（参考訳）: Intent Detectionは、自然言語入力からユーザインテントを識別することを目的としており、教師付きメソッドはラベル付きドメイン内(IND)データに大きく依存し、ドメイン外(OOD)インテントと競合し、実用性を制限する。 Generalized Intent Discovery (GID)は、未ラベルのOODデータを活用して、追加のアノテーションなしで新しいインテントを発見することで、この問題に対処する。 しかし、既存の手法は、ドメイン適応を無視しながら、教師なしデータのクラスタリングにのみ焦点をあてている。 そこで本稿では,従来の知識を外部ソースから転送するプロトタイプ・プロンプトフレームワークと,対象ドメインから新たな知識を学習するための階層的一貫性制約を含む,古知識と新知識の統合の観点から,GIDのための一貫性駆動型プロトタイプ・プロンプトフレームワークを提案する。 実験を行い,本手法がすべての基本手法を著しく上回り,最先端の成果を達成し,本手法の有効性と一般化を強く実証した。 ソースコードはhttps://github.com/smileix/cpp.comで公開されています。

関連論文リスト

• Towards Open-world Generalized Deepfake Detection: General Feature Extraction via Unsupervised Domain Adaptation [15.737902253508235]
  ソーシャルプラットフォームには大量のラベルのない合成データと本物のデータが溢れている。 オープンワールドのシナリオでは、ラベルなしデータの量はラベル付きデータよりもはるかに多い。 我々は,既存の手法の一般化能力を向上させるために,新しいオープンワールドディープフェイク検出一般化訓練戦略(OWG-DS)を提案する。
  論文  参考訳（メタデータ） (2025-05-18T10:12:12Z)
• Pseudo-Label Enhanced Prototypical Contrastive Learning for Uniformed Intent Discovery [27.18799732585361]
  Pseudo-Label enhanced Prototypeal Contrastive Learning (PLPCL) モデルを提案する。 擬似ラベルを用いて、表現とクラスタリングのギャップを埋めるコントラスト学習のための潜在的正・負のサンプルを探索する。 提案手法は,新たな意図を発見するための2つの異なる設定において有効であることが証明されている。
  論文  参考訳（メタデータ） (2024-10-26T16:22:45Z)
• Continual Generalized Intent Discovery: Marching Towards Dynamic and Open-world Intent Recognition [25.811639218862958]
  Generalized Intent Discovery (GID)は、OOD学習の1段階のみを考慮し、過去のすべての段階におけるデータを共同トレーニングに活用する必要がある。 Continual Generalized Intent Discovery (CGID)は、動的OODデータストリームからOODインテントを継続的にかつ自動的に検出することを目的としている。 PLRDはクラスプロトタイプを通じて新しいインテント発見をブートストラップし、データ再生と特徴蒸留を通じて新しいインテントと古いインテントのバランスをとる。
  論文  参考訳（メタデータ） (2023-10-16T08:48:07Z)
• Activate and Reject: Towards Safe Domain Generalization under Category Shift [71.95548187205736]
  カテゴリーシフト(DGCS)下における領域一般化の実践的問題について検討する。 未知のクラスサンプルを同時に検出し、ターゲットドメイン内の既知のクラスサンプルを分類することを目的としている。 従来のDGと比較すると,1)ソースクラスのみを用いたトレーニングにおいて,未知の概念を学習する方法,2)ソーストレーニングされたモデルを未知の環境に適応する方法,の2つの新しい課題に直面している。
  論文  参考訳（メタデータ） (2023-10-07T07:53:12Z)
• Weakly-supervised Contrastive Learning for Unsupervised Object Discovery [52.696041556640516]
  ジェネリックな方法でオブジェクトを発見できるため、教師なしのオブジェクト発見は有望である。 画像から高レベルな意味的特徴を抽出する意味誘導型自己教師学習モデルを設計する。 オブジェクト領域のローカライズのための主成分分析(PCA)を導入する。
  論文  参考訳（メタデータ） (2023-07-07T04:03:48Z)
• CLIP the Gap: A Single Domain Generalization Approach for Object Detection [60.20931827772482]
  単一ドメインの一般化(Single Domain Generalization)は、単一のソースドメイン上でモデルをトレーニングすることで、目に見えないターゲットドメインに一般化する問題に取り組む。 本稿では、事前学習された視覚言語モデルを用いて、テキストプロンプトを介して意味領域の概念を導入することを提案する。 本手法は,検出器のバックボーンから抽出した特徴に作用する意味的拡張戦略と,テキストに基づく分類損失によって実現される。
  論文  参考訳（メタデータ） (2023-01-13T12:01:18Z)
• Generalized Intent Discovery: Learning from Open World Dialogue System [34.39483579171543]
  Generalized Intent Discovery (GID)は、INDインテント分類器をINDインテントやOODインテントを含むオープンワールドインテントセットに拡張することを目的としている。 異なるアプリケーションシナリオのための3つのパブリックデータセットを構築し、2種類のフレームワークを提案する。
  論文  参考訳（メタデータ） (2022-09-13T14:31:53Z)
• Towards Textual Out-of-Domain Detection without In-Domain Labels [41.23096594140221]
  この研究は、ドメイン内のデータのラベルにアクセスできないOOD検出の難しいケースに焦点を当てている。 まず、トークン列の確率を予測する異なる言語モデルに基づくアプローチを評価する。 教師なしクラスタリングとコントラスト学習を組み合わせた表現学習手法を提案する。
  論文  参考訳（メタデータ） (2022-03-22T00:11:46Z)
• 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)
• Self-paced Contrastive Learning with Hybrid Memory for Domain Adaptive Object Re-ID [55.21702895051287]
  ドメイン適応オブジェクトre-IDは、学習した知識をラベル付けされたソースドメインからラベル付けされていないターゲットドメインに転送することを目的としています。 本稿では,ハイブリットメモリを用いた自己評価型コントラスト学習フレームワークを提案する。 提案手法は,オブジェクトre-IDの複数のドメイン適応タスクにおいて,最先端の処理性能を向上する。
  論文  参考訳（メタデータ） (2020-06-04T09:12:44Z)

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。