論文の概要: Few-Shot Out of Domain Intent Detection with Covariance Corrected Mahalanobis Distance

• arxiv url: http://arxiv.org/abs/2609.00961v1
• Date: Tue, 01 Sep 2026 09:19:44 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-02 16:31:36.518393
• Title: Few-Shot Out of Domain Intent Detection with Covariance Corrected Mahalanobis Distance
• Title（参考訳）: Covariance corrected Mahalanobis Distance を用いたドメインインテント検出の高速化
• Authors: Jayasimha Talur, Oleg Smirnov, Paul Missault,
• Abstract要約: マハラノビス距離はOOD意図の同定に有効であり、競合するアプローチよりも優れていることを示す。 領域外インテントを検出するための共分散補正マハラノビス距離を提案する。
• 参考スコア（独自算出の注目度）: 2.2080796858692575
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Conversational agents like chatbots and voice assistants are trained to understand and respond to user intents. On encountering an utterance with an intent different from the ones they have been trained on, these agents are expected to classify the intent as `unknown' or `out of domain'. This problem is known as out of domain (OOD) intent detection. Podolskiy et al. (2021), showed that Mahalanobis distance can be used effectively for identifying OOD intents, outperforming competing approaches. However, their method fails to outperform the baselines in the practically important few-shot setting. In this paper we analyze the reason for low performance and propose a covariance corrected Mahalanobis distance for detecting out-of-domain intents.
• Abstract（参考訳）: チャットボットや音声アシスタントといった会話エージェントは、ユーザの意図を理解して反応するように訓練されている。 訓練対象と異なる意図の発話に遭遇すると、これらのエージェントは意図を 'unknown' または 'out of domain' に分類することが期待される。 この問題は、オフ・オブ・ドメイン(OOD)インテント検出として知られている。 Podolskiy et al (2021) は、マハラノビス距離がOODの意図を同定し、競合するアプローチよりも優れていることを示した。 しかし、これらの手法は事実上重要な数ショット設定においてベースラインを上回りません。 本稿では,低性能の原因を解析し,領域外インテントを検出するための共分散補正マハラノビス距離を提案する。

関連論文リスト

• SoK: Intent-Oriented Systematization of Multi-Turn LLM Jailbreaks [69.08780911753102]
  マルチターンジェイルブレイクはターン間で有害なインテントを前進させることでパターンを利用するため、単一のメッセージが完全な目的を公開することはない。 敵意構造を用いて多ターンジェイルブレイクを組織する4部構成の意図指向分類法を開発した。
  論文  参考訳（メタデータ） (2026-08-02T09:24:08Z)
• AmpleHate: Amplifying the Attention for Versatile Implicit Hate Detection [7.809610795929308]
  暗黙のヘイトスピーチ検出は、その微妙さと文脈解釈に依存しているため困難である。 暗黙の憎しみ検出のための人間の推論を反映する新しいアプローチであるAmpleHateを提案する。 AmpleHateは最先端のパフォーマンスを達成し、平均82.14%の対照的な学習ベースラインを上回っている。
  論文  参考訳（メタデータ） (2025-05-26T05:27:10Z)
• Distillation-guided Representation Learning for Unconstrained Gait Recognition [50.0533243584942]
  本研究では,屋外シナリオにおける人間認証のためのGADER(GAit Detection and Recognition)フレームワークを提案する。 GADERは、歩行情報を含むフレームのみを使用する新しい歩行認識手法により識別的特徴を構築する。 室内および屋外のデータセットに一貫した改善を示すため,複数の歩行ベースライン(SoTA)について評価を行った。
  論文  参考訳（メタデータ） (2023-07-27T01:53:57Z)
• Are Pretrained Transformers Robust in Intent Classification? A Missing Ingredient in Evaluation of Out-of-Scope Intent Detection [93.40525251094071]
  まず、少数ショットの意図認識タスクにおいて、ドメイン内スコープ外検出の重要性を指摘する。 次に、ドメイン内だがスコープ外(ID-OOS)であるサンプルに対して、事前訓練したTransformerベースのモデルの脆弱性を説明する。
  論文  参考訳（メタデータ） (2021-06-08T17:51:12Z)
• Generalized Zero-shot Intent Detection via Commonsense Knowledge [5.398580049917152]
  学習データ不足の問題を克服するために,教師なしの方法でコモンセンス知識を活用する意図検出モデル RIDE を提案する。 RIDEは、発話と意図ラベルの間の深い意味的関係をキャプチャする、堅牢で一般化可能な関係メタ機能を計算する。 広範に使用されている3つのインテント検出ベンチマークに関する広範囲な実験的分析により、関係メタ機能により、目に見えないインテントと見えないインテントの両方を検出する精度が著しく向上することが示された。
  論文  参考訳（メタデータ） (2021-02-04T23:36:41Z)
• Revisiting Mahalanobis Distance for Transformer-Based Out-of-Domain Detection [60.88952532574564]
  本稿では,ドメイン外インテント検出手法を徹底的に比較する。 意図分類のための3つの標準データセット上で,複数のコンテキストエンコーダとメソッドを効率良く評価する。 本研究の主目的は,超微調整トランスフォーマーを用いたドメイン内データエンコーダが優れた結果をもたらすことである。
  論文  参考訳（メタデータ） (2021-01-11T09:10:58Z)
• 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)
• Scope Head for Accurate Localization in Object Detection [135.9979405835606]
  本研究では,各位置のアンカーを相互依存関係としてモデル化したScopeNetと呼ばれる新しい検出器を提案する。 我々の簡潔で効果的な設計により、提案したScopeNetはCOCOの最先端の成果を達成する。
  論文  参考訳（メタデータ） (2020-05-11T04:00:09Z)
• Why is the Mahalanobis Distance Effective for Anomaly Detection? [5.482532589225552]
  マハラノビス距離に基づく信頼スコアは、オフ・オブ・ディストリビューション(OoD)と逆例検出の両方で最先端のパフォーマンスを達成する。 本研究は,本手法が実用的な環境下での強靭な性能を示す理由を解析する。
  論文  参考訳（メタデータ） (2020-03-01T04:48:36Z)

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。