ACLJun, 2019

通过元学习实现领域自适应对话生成

PDF
TL;DR提出了基于元学习的领域自适应对话生成方法（DAML），该方法基于单域对话数据和元学习算法进行训练，并能够在新领域中学习出一种具有竞争力的对话系统。在模拟对话数据集上评估该方法的表现，实现了最先进的性能，该性能可推广到新任务。
domain adaptationdialog generationmeta-learningefficient learninggeneralization
发现论文，激发创造
  • 学生 - 教师架构在元学习环境下用于对话领域自适应

    提出了一种高效的领域自适应任务导向对话系统模型，通过使用元教师模型量化不同领域中上下文下生成的令牌的重要性来指导对话模型，实现更好的自适应效果并达到最先进的性能水平。

    Apr, 2021

  • 基于元学习的交叉领域验证的判别式对抗领域泛化

    本文提出基于元学习的 Discriminative Adversarial Domain Generalization（DADG）框架来改善机器学习模型的泛化能力，包括学习一般化的特征表示和分类器，在三个基准数据集的对比中，DADG 始终优于基线 DeepAll，并在大多数评估情况下优于其他现有的领域泛化算法。

    Nov, 2020

  • 领域增强元学习的开放域泛化

    本文研究了开放域泛化的问题，提出了一种基于元学习的域增强框架 (DAML)，通过特征层次和标签层次上的增强，综合不同领域的知识，提高在不同领域泛化能力的性能。实验结果表明，DAML 方法在未知领域识别方面表现优越。

    Apr, 2021

  • DAMSL: 基于元得分的领域不可知元学习

    本文提出了一种与领域无关的元得分学习方法，使用图神经网络处理支持集得分分布，归纳出嵌入和关系函数，实现更高效斩获交叉领域少样本学习的显著性能提升。

    Jun, 2021

  • 在线元学习的多源和半监督领域适应

    该论文提出一种基于元学习的框架来进一步增强现有领域适应算法的性能，通过在线的最短路径元学习框架改进了无监督和半监督多源领域适应技术 (DANN，MCD 和 MME)，实验表明达到了多项 DA 基准的最佳效果。

    Apr, 2020

  • 域对抗主动学习用于领域泛化分类

    该研究提出了一种领域对抗主动学习算法（DAAL），用于领域泛化任务中的分类任务，在减少数据资源的情况下实现强大的泛化能力，从而降低领域泛化任务中的数据标注成本。

    Mar, 2024

  • 领域自适应元学习的低资源风格转移

    本研究提出了 DAML-ATM 方法，其中 DAML 为适应多个异构源领域的元学习方法，ATM 为一种全新的无监督文本风格转换方法，利用对抗风格训练，实现更好的内容保留和风格转移，并成功地应用于低资源领域中。

    May, 2022

  • 使用任务推断进行元学习动态预测

    通过 DyAd 元学习方法，使用编码器和预测器相结合的方式，可以帮助深度学习模型实现跨领域的泛化。

    Feb, 2021

  • 元学习个性化对话代理

    本篇论文提出基于模型无关元学习的个性化对话学习方法，不需要使用人称描述符。该模型通过仅利用从同一用户收集的几个对话样本来快速适应新的人称，与基于人称描述符的回复不同。实验结果表明，相对于非元学习基准，该解决方案在自动评估指标和人工评估的流畅性和一致性方面表现更好。

    May, 2019

  • 领域自适应模仿学习

    介绍了一种领域自适应模仿学习（DAIL）问题的形式化表达，提出了一种两步方法：对齐和适应，通过无监督的 MDP 对齐算法（GAMA）执行对齐步骤并利用对应关系在不需要经过环境交互的情况下在不同领域中实现任务零次模仿。

    Sep, 2019