論文の概要: A Multi-cluster Boundary Learning Method for Out-of-Scope Intent Detection via MiniLM Embedding

• arxiv url: http://arxiv.org/abs/2607.07974v1
• Date: Wed, 08 Jul 2026 22:59:43 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-10 14:45:27.359224
• Title: A Multi-cluster Boundary Learning Method for Out-of-Scope Intent Detection via MiniLM Embedding
• Title（参考訳）: マルチクラスタ境界学習によるミニフィルム埋め込みによるアウト・オブ・スコープインテント検出
• Authors: Yihong Xu, Mingyu Kang, Linyuan Lü,
• Abstract要約: 本研究は,MiniLM埋め込み(All-MiniLM-L6-v2)によるOOS(Out-of-scope)インテントを検出するためのマルチクラスタ境界学習手法を提案する。 実験は、パブリックCLINC150、StackOverflow、Banking77データセットで実施されている。
• 参考スコア（独自算出の注目度）: 8.056359341994941
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Intent detection is a critical task that bridges human intents and system actions in human-machine interaction systems. However, there still exist challenges for detecting out-of-scope (OOS) intents. (i) The traditional methods view the OOS intent detection as a multi-class classification, then the detection accuracy decreases as the class number of the known intents increases; (ii) LLM-embedding methods require large parameters, that makes them difficult to train and practically deploy. Thus, this work proposes a multi-cluster boundary learning method to detect OOS intents via MiniLM embedding (i.e., all-MiniLM-L6-v2) in an one-class classification workflow. The method learns the boundaries of multi-cluster embeddings generated by MiniLM from the training utterances, and then rejects the out-of-domain utterances as OOS intents. Experiments are conducted on public CLINC150, StackOverflow and Banking77 datasets. The results show that the method achieves the state-of-the-art OOS intent detection performance compared the other baselines. Ablation studies are also conducted and the results show that the used MiniLM can better adapt to the workflow and utterance embedding requirements. The code is available at supplementary materials.
• Abstract（参考訳）: インテント検出は、人間と機械の相互作用システムにおける人間の意図とシステム行動を橋渡しする重要なタスクである。 しかし、OOS(Out-of-scope)の意図を検出するには依然として課題がある。 (i)従来の手法では、OOSインテント検出をマルチクラス分類とみなし、既知のインテントのクラス数が増加するにつれて、検出精度が低下する。 (II) LLM埋め込み法は大きなパラメータを必要とするため、訓練やデプロイが困難になる。 そこで本研究では,MiniLM 埋め込み (All-MiniLM-L6-v2) による OOS インテント検出のためのマルチクラスタ境界学習手法を提案する。 この方法は,MiniLMが生成したマルチクラスタ埋め込みの境界をトレーニング発話から学習し,ドメイン外発話をOOS意図として拒否する。 実験は、パブリックCLINC150、StackOverflow、Banking77データセットで実施されている。 その結果,本手法は他のベースラインと比較して最先端のOOSインテント検出性能が得られた。 アブレーション実験も実施され, 使用済みの MiniLM がワークフローや発話の埋め込み要求に適応できることが示唆された。 コードは補足資料で入手できる。

関連論文リスト

• DetectAnyLLM: Towards Generalizable and Robust Detection of Machine-Generated Text Across Domains and Models [60.713908578319256]
  タスク指向の知識で検出器を最適化するために,DDL(Direct Discrepancy Learning)を提案する。 そこで本研究では,最新のMGTD性能を実現する統合検出フレームワークであるTectAnyLLMを紹介する。 MIRAGEは5つのテキストドメインにまたがる10のコーパスから人書きテキストをサンプリングし、17個の最先端のLLMを使用して再生成または修正する。
  論文  参考訳（メタデータ） (2025-09-15T10:59:57Z)
• Towards Lifecycle Unlearning Commitment Management: Measuring Sample-level Unlearning Completeness [30.596695293390415]
  補間近似測定(Interpolated Approximate Measurement, IAM)は、非学習推論用に設計されたフレームワークである。 IAMは、クエリされたサンプルに対するモデルの一般化適合行動ギャップを補間することにより、サンプルレベルの未学習完全性を定量化する。 IAMを最近の近似アンラーニングアルゴリズムに適用し、オーバーアンラーニングとアンダーアンラーニングの両方のリスクを明らかにする。
  論文  参考訳（メタデータ） (2025-06-06T14:22:18Z)
• Collaborative Feature-Logits Contrastive Learning for Open-Set Semi-Supervised Object Detection [75.02249869573994]
  オープンセットのシナリオでは、ラベルなしデータセットには、イン・ディストリビューション(ID)クラスとアウト・オブ・ディストリビューション(OOD)クラスの両方が含まれている。 このような設定で半教師付き検出器を適用すると、OODクラスをIDクラスとして誤分類する可能性がある。 我々は、CFL-Detector(Collaborative Feature-Logits Detector)と呼ばれるシンプルで効果的な方法を提案する。
  論文  参考訳（メタデータ） (2024-11-20T02:57:35Z)
• 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)
• Discovery-and-Selection: Towards Optimal Multiple Instance Learning for Weakly Supervised Object Detection [86.86602297364826]
  複数インスタンス学習(DS-MIL)と融合した発見・選択手法を提案する。 我々の提案するDS-MILアプローチは,最先端の性能を報告しながら,ベースラインを一貫して改善することができる。
  論文  参考訳（メタデータ） (2021-10-18T07:06:57Z)
• MCDAL: Maximum Classifier Discrepancy for Active Learning [74.73133545019877]
  近年の最先端のアクティブラーニング手法は, 主にGAN(Generative Adversarial Networks)をサンプル取得に活用している。 本稿では,MCDAL(Maximum Discrepancy for Active Learning)と呼ぶ新しいアクティブラーニングフレームワークを提案する。 特に,両者の差分を最大化することにより,より厳密な決定境界を学習する2つの補助的分類層を利用する。
  論文  参考訳（メタデータ） (2021-07-23T06:57:08Z)
• A Framework to Enhance Generalization of Deep Metric Learning methods using General Discriminative Feature Learning and Class Adversarial Neural Networks [1.5469452301122175]
  メトリック学習アルゴリズムは、意味論的に類似したデータアイテムをまとめて、異種データを遠くに保持する距離関数を学習することを目的としている。 データから特徴を自動的に抽出し,入力空間から意味的な埋め込み空間への非線形変換を学習するDeep Metric Learning (DML)法が提案されている。 ゼロショット学習(ZSL)環境において,既存のDML手法の一般化能力を高める枠組みを提案する。
  論文  参考訳（メタデータ） (2021-06-11T14:24:40Z)
• Discriminative Nearest Neighbor Few-Shot Intent Detection by Transferring Natural Language Inference [150.07326223077405]
  データ不足を緩和するためには、ほとんどショットラーニングが注目を集めている。 深部自己注意を伴う識別的近傍分類を提示する。 自然言語推論モデル(NLI)を変換することで識別能力を高めることを提案する。
  論文  参考訳（メタデータ） (2020-10-25T00:39:32Z)

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。