論文の概要: Instance Relation Learning Network with Label Knowledge Propagation for Few-shot Multi-label Intent Detection

• arxiv url: http://arxiv.org/abs/2510.07776v1
• Date: Thu, 09 Oct 2025 04:47:06 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-10 17:54:14.865998
• Title: Instance Relation Learning Network with Label Knowledge Propagation for Few-shot Multi-label Intent Detection
• Title（参考訳）: Few-shot Multi-label Intent Detectionのためのラベル知識伝播を用いたインスタンス関係学習ネットワーク
• Authors: Shiman Zhao, Shangyuan Li, Wei Chen, Tengjiao Wang, Jiahui Yao, Jiabin Zheng, Kam Fai Wong,
• Abstract要約: MID(Multi-label Intent Detection)は対話システムにおいて重要であり,複数の発話意図を検出することを目的としている。 複数ラベルの連成学習手法をエンドツーエンドに提案する。 実験では、1ショットシナリオで平均9.54%のAUCと11.19%のMacro-F1で強いベースラインを上回ります。
• 参考スコア（独自算出の注目度）: 26.403716144346756
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Few-shot Multi-label Intent Detection (MID) is crucial for dialogue systems, aiming to detect multiple intents of utterances in low-resource dialogue domains. Previous studies focus on a two-stage pipeline. They first learn representations of utterances with multiple labels and then use a threshold-based strategy to identify multi-label results. However, these methods rely on representation classification and ignore instance relations, leading to error propagation. To solve the above issues, we propose a multi-label joint learning method for few-shot MID in an end-to-end manner, which constructs an instance relation learning network with label knowledge propagation to eliminate error propagation. Concretely, we learn the interaction relations between instances with class information to propagate label knowledge between a few labeled (support set) and unlabeled (query set) instances. With label knowledge propagation, the relation strength between instances directly indicates whether two utterances belong to the same intent for multi-label prediction. Besides, a dual relation-enhanced loss is developed to optimize support- and query-level relation strength to improve performance. Experiments show that we outperform strong baselines by an average of 9.54% AUC and 11.19% Macro-F1 in 1-shot scenarios.
• Abstract（参考訳）: 低リソース対話領域における発話意図の検出を目的とした,対話システムにおいてMID(Mew-shot Multi-label Intent Detection)が不可欠である。 これまでの研究は2段階のパイプラインに重点を置いていた。 まず、複数のラベルで発話の表現を学習し、しきい値に基づく戦略を用いて複数ラベルの結果を識別する。 しかし、これらの手法は表現分類に依存し、インスタンス関係を無視し、エラーの伝播につながる。 上記の課題を解決するために,ラベル知識の伝播を伴うインスタンス関係学習ネットワークを構築し,誤りの伝播を解消する多言語共同学習手法を提案する。 具体的には、いくつかのラベル付き(サポートセット)と未ラベル付き(クエリセット)インスタンス間のラベル知識を伝播するために、クラス情報を持つインスタンス間の相互作用関係を学習する。 ラベルナレッジの伝播では,2つの発話が同一意図に属するか否かを直接的に表す。 さらに、サポートレベルとクエリレベルの関係強度を最適化して性能を向上させるために、二重関係強化損失が開発された。 実験では、1ショットシナリオで平均9.54%のAUCと11.19%のMacro-F1で強いベースラインを上回ります。

関連論文リスト

• Rethinking Consistent Multi-Label Classification under Inexact Supervision [60.79309683889278]
  部分的マルチラベル学習では、各インスタンスには候補ラベルセットがアノテートされ、そのうちいくつかのラベルのみが関連付けられている。 補完的なマルチラベル学習では、各インスタンスは、インスタンスが属さないクラスを示す補完ラベルで注釈付けされる。
  論文  参考訳（メタデータ） (2025-10-05T08:30:32Z)
• Exploring Partial Multi-Label Learning via Integrating Semantic Co-occurrence Knowledge [30.05176623784069]
  部分的マルチラベル学習は、不完全な注釈付きデータから知識を抽出することを目的としている。 主な課題は、ラベルとインスタンス間のあいまいな関係を正確に識別することである。 本稿では,セマンティック・コレクレンス・インサイト・ネットワーク(SCINet)を提案する。
  論文  参考訳（メタデータ） (2025-07-08T13:53:28Z)
• Leveraging Label Semantics and Meta-Label Refinement for Multi-Label Question Classification [11.19022605804112]
  本稿では,ラベルのセマンティクスとメタラベルの精巧化を活用して,複数ラベルの質問分類を検索する新手法RR2QCを紹介する。 実験の結果,RR2QCはPrecision@KとF1スコアの既存の手法よりも優れていることがわかった。
  論文  参考訳（メタデータ） (2024-11-04T06:27:14Z)
• Multi-Label Knowledge Distillation [86.03990467785312]
  本稿では,新しい多ラベル知識蒸留法を提案する。 一方、マルチラベル学習問題をバイナリ分類問題に分割することにより、ロジットからの情報的意味知識を利用する。 一方,ラベルワイド埋め込みの構造情報を活用することにより,学習した特徴表現の識別性を向上する。
  論文  参考訳（メタデータ） (2023-08-12T03:19:08Z)
• Learning to Detect Instance-level Salient Objects Using Complementary Image Labels [55.049347205603304]
  本報告では,本問題に対する第1の弱教師付きアプローチを提案する。 本稿では,候補対象の特定にクラス整合性情報を活用するSaliency Detection Branch,オブジェクト境界をデライン化するためにクラス整合性情報を利用するBundary Detection Branch,サブティナイズ情報を用いたCentroid Detection Branchを提案する。
  論文  参考訳（メタデータ） (2021-11-19T10:15:22Z)
• Few-shot Learning for Multi-label Intent Detection [59.66787898744991]
  State-of-the-art work estimates label-instancelevance scores and using threshold to select multiple associated intent labels。 2つのデータセットの実験により、提案モデルが1ショットと5ショットの両方の設定において強いベースラインを著しく上回ることが示された。
  論文  参考訳（メタデータ） (2020-10-11T14:42:18Z)
• Dynamic Semantic Matching and Aggregation Network for Few-shot Intent Detection [69.2370349274216]
  利用可能な注釈付き発話が不足しているため、インテント検出は困難である。 セマンティック成分はマルチヘッド自己認識によって発話から蒸留される。 本手法はラベル付きインスタンスとラベルなしインスタンスの両方の表現を強化するための総合的なマッチング手段を提供する。
  論文  参考訳（メタデータ） (2020-10-06T05:16:38Z)
• Knowledge-Guided Multi-Label Few-Shot Learning for General Image Recognition [75.44233392355711]
  KGGRフレームワークは、ディープニューラルネットワークと統計ラベル相関の事前知識を利用する。 まず、統計ラベルの共起に基づいて異なるラベルを相関させる構造化知識グラフを構築する。 次に、ラベルセマンティクスを導入し、学習セマンティクス固有の特徴をガイドする。 グラフノードの相互作用を探索するためにグラフ伝搬ネットワークを利用する。
  論文  参考訳（メタデータ） (2020-09-20T15:05:29Z)

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。