論文の概要: Comparing Chatbot Performance Enhanced with Persistent Homology
- arxiv url: http://arxiv.org/abs/2606.29857v1
- Date: Mon, 29 Jun 2026 06:50:51 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-30 18:07:16.085786
- Title: Comparing Chatbot Performance Enhanced with Persistent Homology
- Title（参考訳）: 持続的ホモロジーによるチャットボット性能の比較
- Abstract要約: 入力データセットを、生データセット自身から計算した永続的ホモロジーベクトル化を用いて拡張する。
我々の実験は、PHの増強は特に有益ではないが、実質的にコストがかからない場合に顕著な利点をもたらすことを示唆している。
- 参考スコア（独自算出の注目度）: 14.737509649649652
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Chatbots have become increasingly prevalent across various domains, offering automated assistance in many areas, especially mental health support. The training is done using extremely large datasets, which are sometimes not available in very specific domains. Moreover, it would sometimes be ideal to train the chatbot with personal information about the patients, which, of course, cannot be done on shared servers since it would violate patient confidentiality. Hence, being able to improve the performance of a chatbot, possibly trained locally and on a restricted dataset, without having to increase the dataset itself, would be extremely beneficial. In this work, we will enhance the input datasets using persistent homology (PH) vectorizations computed from the raw datasets themselves. Then we will compare, across several metrics, the performance of multiple chatbot models with or without the PH enhancement. Our experiments suggest that, while at times the PH enhancement is not particularly beneficial, it sometimes brings remarkable advantages for virtually no cost.
- Abstract（参考訳）: チャットボットは様々な領域で普及し、多くの分野、特にメンタルヘルス支援の自動化支援を提供している。
トレーニングは、非常に大きなデータセットを使用して行われる。
さらに、チャットボットを患者の個人情報で訓練するのは理想的であり、それはもちろん、患者の秘密を侵害する可能性があるため、共有サーバ上ではできない。
したがって、データセット自体を増やさなくても、ローカルおよび制限されたデータセット上でトレーニングされたチャットボットのパフォーマンスを向上できるということは、極めて有益である。
本研究は,生データセット自体から計算した持続的ホモロジー(PH)ベクトル化を用いて,入力データセットを強化する。
次に、複数のメトリクスに対して、PH強化の有無にかかわらず、複数のチャットボットモデルのパフォーマンスを比較します。
我々の実験は、PHの増強は特に有益ではないが、実質的にコストがかからない場合に顕著な利点をもたらすことを示唆している。
関連論文リスト
- LLMs in social services: How does chatbot accuracy affect human accuracy? [4.837450441799026]
我々は,チャットボットが事例作業者の正確な指導能力に与える影響を計測する。
ロサンゼルスの非営利アウトリーチ組織から採用したケースワーカーを対象にランダムな実験を行った。
高品質なチャットボット(96-100%精度)では、ケースワーカの精度が27ポイント向上した。
論文 参考訳（メタデータ） (2026-03-11T18:28:52Z) - Towards the Assessment of Task-based Chatbots: From the TOFU-R Snapshot to the BRASATO Curated Dataset [4.236238836715225]
本稿では,これらのデータセットの作成と維持に必要な2つのデータセットとツールサポートについて述べる。
最初のデータセットは、GitHubで利用可能なRasaチャットボットのスナップショットであるGITHUB(TOFU-R)からのRASA TASK-BASED CHATBOTSである。
2つめのデータセットはBOT RASA COLLECTION (BRASATO) で、対話の複雑さ、機能的複雑さ、ユーティリティに関する最も関連性の高いチャットボットのキュレートされた選択である。
論文 参考訳（メタデータ） (2025-08-21T12:24:05Z) - V-VAE: A Variational Auto Encoding Framework Towards Fine-Grained Control over Human-Like Chat [19.038481783630864]
ロールプレイとペルソナベースのチャットアプローチは、静的な役割記述、粗い信号空間、低品質の合成データに大きく依存している。
人間のようなチャットは、感情的なトーン、状況認識、進化するパーソナリティなどの微妙な潜伏特性をモデル化する必要がある。
これらの制約に対処するため、変分自動符号化モジュールと細粒度で解釈可能な潜伏変数を含むV-VAEフレームワークを提案する。
論文 参考訳（メタデータ） (2025-06-02T10:38:02Z) - AugGPT: Leveraging ChatGPT for Text Data Augmentation [59.76140039943385]
本稿では,ChatGPT(AugGPT)に基づくテキストデータ拡張手法を提案する。
AugGPTはトレーニングサンプルの各文を、概念的には似ているが意味的に異なる複数のサンプルに言い換える。
数ショットの学習テキスト分類タスクの実験結果は、提案したAugGPTアプローチの優れた性能を示している。
論文 参考訳（メタデータ） (2023-02-25T06:58:16Z) - Training Conversational Agents with Generative Conversational Networks [74.9941330874663]
我々は、生成会話ネットワークを使用して、自動的にデータを生成し、社会的会話エージェントを訓練する。
自動メトリクスと人的評価器を用いてTopicalChatのアプローチを評価し、10%のシードデータで100%のデータを使用するベースラインに近いパフォーマンスを示す。
論文 参考訳（メタデータ） (2021-10-15T21:46:39Z) - Low-Resource Adaptation of Open-Domain Generative Chatbots [0.0]
低パラメータモデルは、特定の領域を改善しながら、会話能力の一般的な知識を維持することができることを示す。
本稿では,質問型の多様さを考慮し,マルチターン会話を通して参照を追跡し,不整合性や潜在的有害な応答を除去する汎用フレームワークを提案する。
われわれのフレームワークはチャットとトランザクションタスクをシームレスに移行し、最終的にはデジタルアシスタントとの対話をより人間らしくする。
論文 参考訳（メタデータ） (2021-08-13T17:40:30Z) - Put Chatbot into Its Interlocutor's Shoes: New Framework to Learn
Chatbot Responding with Intention [55.77218465471519]
本稿では,チャットボットに人間のような意図を持つための革新的なフレームワークを提案する。
我々のフレームワークには、ガイドロボットと人間の役割を担うインターロケータモデルが含まれていた。
本フレームワークを3つの実験的なセットアップを用いて検討し,4つの異なる指標を用いた誘導ロボットの評価を行い,柔軟性と性能の利点を実証した。
論文 参考訳（メタデータ） (2021-03-30T15:24:37Z) - Improving Limited Labeled Dialogue State Tracking with Self-Supervision [91.68515201803986]
既存の対話状態追跡(DST)モデルには多くのラベル付きデータが必要である。
本稿では,潜在的一貫性の維持と対話行動のモデル化という,自己指導型の2つの目的について検討する。
提案する自己教師型信号は,1%のラベル付きデータのみを使用する場合,関節ゴール精度を8.95%向上させることができる。
論文 参考訳（メタデータ） (2020-10-26T21:57:42Z) - FIND: Human-in-the-Loop Debugging Deep Text Classifiers [55.135620983922564]
隠れた機能を無効にすることで、人間がディープラーニングテキスト分類器をデバッグできるフレームワークであるFINDを提案する。
実験により、人間はFINDを使用することで、異なる種類の不完全なデータセットの下で訓練されたCNNテキスト分類器を改善することができる。
論文 参考訳（メタデータ） (2020-10-10T12:52:53Z) - Pchatbot: A Large-Scale Dataset for Personalized Chatbot [49.16746174238548]
本稿では,Weibo と Judicial のフォーラムから収集した2つのサブセットを含む大規模対話データセットである Pchatbot を紹介する。
生データセットを対話システムに適応させるため、匿名化などのプロセスを通じて生データセットを精巧に正規化する。
Pchatbotのスケールは、既存の中国のデータセットよりも大幅に大きく、データ駆動モデルの恩恵を受ける可能性がある。
論文 参考訳（メタデータ） (2020-09-28T12:49:07Z) - Deploying Lifelong Open-Domain Dialogue Learning [48.12600947313494]
本研究では,オープンドメインファンタジーの世界にある学習エージェントと人間プレイヤーが会話するロールプレイングゲームを構築し,展開する。
自動メトリクスとオンラインエンゲージメントスコアから,ゲーム中の人間との会話に関するモデルをトレーニングすることで,モデルを段階的に改善することを示す。
この学習は、実際のユーザとの会話に適用した場合のクラウドソースデータよりも効率的であり、収集するコストもはるかに安い。
論文 参考訳（メタデータ） (2020-08-18T17:57:26Z)
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。