Fugu-MT 論文翻訳(概要): Intent Recognition and Out-of-Scope Detection using LLMs in Multi-party Conversations

論文の概要: Intent Recognition and Out-of-Scope Detection using LLMs in Multi-party Conversations

arxiv url: http://arxiv.org/abs/2507.22289v1
Date: Tue, 29 Jul 2025 23:48:41 GMT
ステータス: 翻訳完了
システム内更新日: 2025-07-31 16:14:17.90234
Title: Intent Recognition and Out-of-Scope Detection using LLMs in Multi-party Conversations
Title（参考訳）: 多人数会話におけるLLMを用いたインテント認識とアウト・オブ・スコープ検出
Authors: Galo Castillo-López, Gaël de Chalendar, Nasredine Semmar,
Abstract要約: 目的を認識し,OOS発話を検出するために,BERT と LLM をゼロおよび少数ショット設定で組み合わせるハイブリッド手法を提案する。提案手法は多人数会話コーパスにおいて評価され,BERT出力からLLMへの情報共有がシステム性能の向上につながることが確認された。
参考スコア（独自算出の注目度）: 0.6933787237427939
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Intent recognition is a fundamental component in task-oriented dialogue systems (TODS). Determining user intents and detecting whether an intent is Out-of-Scope (OOS) is crucial for TODS to provide reliable responses. However, traditional TODS require large amount of annotated data. In this work we propose a hybrid approach to combine BERT and LLMs in zero and few-shot settings to recognize intents and detect OOS utterances. Our approach leverages LLMs generalization power and BERT's computational efficiency in such scenarios. We evaluate our method on multi-party conversation corpora and observe that sharing information from BERT outputs to LLMs leads to system performance improvement.
Abstract（参考訳）: インテント認識はタスク指向対話システム(TODS)の基本的な構成要素である。ユーザ意図を判断し,意図がアウト・オブ・スコープ(OOS)であるかどうかを検出することは,TODSが信頼性の高い応答を提供する上で極めて重要である。しかし、従来のTODSは大量の注釈付きデータを必要とする。本研究では, BERT と LLM を組み合わせて, 意図を認識し,OOS 発話を検出するハイブリッド手法を提案する。提案手法は, LLMの一般化能力とBERTの計算効率を活用する。提案手法は多人数会話コーパスにおいて評価され,BERT出力からLLMへの情報共有がシステム性能の向上につながることが確認された。

関連論文リスト

Efficient Out-of-Scope Detection in Dialogue Systems via Uncertainty-Driven LLM Routing [6.579756339673344]
OOS(Out-of-scope)インテント検出は、タスク指向対話システム(TODS)において重要な課題である。我々は,不確実性モデリングと細調整された大言語モデル(LLM)を組み合わせて,効率よく正確なOOS検出を行う,新しい単純なモジュラーフレームワークを提案する。
論文参考訳（メタデータ） (2025-07-02T09:51:41Z)
LANID: LLM-assisted New Intent Discovery [18.15557766598695]
新しいIntent Discovery(NID)は、既存のものを認識する能力を維持しながら、新しい意図を識別することを目的とした重要なタスクである。 TODSを新しい意図に適応しようとするこれまでの努力は、意味表現の不十分さに悩まされてきた。我々は,大規模言語モデルを用いた軽量NIDエンコーダのセマンティック表現を強化するフレームワークであるLANIDを提案する。
論文参考訳（メタデータ） (2025-03-31T05:34:32Z)
Efficient Intent-Based Filtering for Multi-Party Conversations Using Knowledge Distillation from LLMs [0.3249879651054463]
大規模言語モデル(LLM)は、対話型AIにおいて顕著な能力を示した。これらのモデルはリソース集約型であり、かなりのメモリと計算能力を必要とする。そこで本稿では,LLM処理における関心の会話スニペットを,対象の下流アプリケーションに合わせてフィルタする,コスト効率のよいソリューションを提案する。
論文参考訳（メタデータ） (2025-03-21T17:34:37Z)
Detecting Knowledge Boundary of Vision Large Language Models by Sampling-Based Inference [78.08901120841833]
視覚大言語モデル(VLLM)の知識境界を検出する手法を提案する。本稿では,VLLMの知識境界の表現に成功し,性能の維持や改善を図りながら不差別な検索を抑えることができることを示す。
論文参考訳（メタデータ） (2025-02-25T09:32:08Z)
Latent Factor Models Meets Instructions: Goal-conditioned Latent Factor Discovery without Task Supervision [50.45597801390757]
Instruct-LFはゴール指向の潜在因子発見システムである。命令フォロー機能と統計モデルを統合して、ノイズの多いデータセットを処理する。
論文参考訳（メタデータ） (2025-02-21T02:03:08Z)
Beyond Binary: Towards Fine-Grained LLM-Generated Text Detection via Role Recognition and Involvement Measurement [51.601916604301685]
大規模言語モデル(LLM)は、オンライン談話における信頼を損なう可能性のあるコンテンツを生成する。現在の手法はバイナリ分類に重点を置いており、人間とLLMのコラボレーションのような現実のシナリオの複雑さに対処できないことが多い。バイナリ分類を超えてこれらの課題に対処するために,LLM生成コンテンツを検出するための新しいパラダイムを提案する。
論文参考訳（メタデータ） (2024-10-18T08:14:10Z)
Intent Detection in the Age of LLMs [3.755082744150185]
インテント検出はタスク指向対話システム(TODS)の重要な構成要素である従来のアプローチは、計算効率の良い教師付き文変換器エンコーダモデルに依存していた。固有の世界知識を持つ生成的大言語モデル(LLM)の出現は、これらの課題に対処する新たな機会を提供する。
論文参考訳（メタデータ） (2024-10-02T15:01:55Z)
Knowledge Graph-Enhanced Large Language Models via Path Selection [58.228392005755026]
大規模言語モデル(LLM)は、様々な現実世界のアプリケーションで前例のない性能を示している。 LLMは実際に不正確な出力、すなわち幻覚の問題を発生させることが知られている。上記の問題に対処する3段階の原理的フレームワークKELPを提案する。
論文参考訳（メタデータ） (2024-06-19T21:45:20Z)
LEARN: Knowledge Adaptation from Large Language Model to Recommendation for Practical Industrial Application [54.984348122105516]
Llm-driven knowlEdge Adaptive RecommeNdation (LEARN)フレームワークは、オープンワールドの知識と協調的な知識をシナジする。オープンワールドの知識と協調的な知識を相乗化するLlm-driven knowlEdge Adaptive RecommeNdation (LEARN) フレームワークを提案する。
論文参考訳（メタデータ） (2024-05-07T04:00:30Z)
RAR: Retrieving And Ranking Augmented MLLMs for Visual Recognition [78.97487780589574]
MLLM(Multimodal Large Language Models)は、細粒度カテゴリの分類において優れている。本稿では,MLLMの検索とランク付けのための拡張手法を提案する。提案手法は, 微粒化認識における固有の限界に対処するだけでなく, モデルの包括的知識基盤も維持する。
論文参考訳（メタデータ） (2024-03-20T17:59:55Z)
Knowledge-Retrieval Task-Oriented Dialog Systems with Semi-Supervision [22.249113574918034]
既存のタスク指向ダイアログ(TOD)システムは、スロットと値の観点からダイアログの状態を追跡し、データベースに問い合わせて応答を生成する。現実のアプリケーションでは,ユーザの発話がノイズが多いため,対話状態を正確に追跡し,関連する知識を正しく確保することは困難である。そこで本研究では,TODシステムにおける知識選択を高速化する検索手法を提案する。
論文参考訳（メタデータ） (2023-05-22T16:29:20Z)
Synergistic Interplay between Search and Large Language Models for Information Retrieval [141.18083677333848]
InteRにより、RMはLLM生成した知識コレクションを使用してクエリの知識を拡張することができる。 InteRは、最先端手法と比較して総合的に優れたゼロショット検索性能を実現する。
論文参考訳（メタデータ） (2023-05-12T11:58:15Z)

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。