Sep, 2019

利用用户参与信号进行虚拟助手的实体标记

PDF
TL;DR本文提出利用用户行为记录作为自动化训练数据标注来提高人工智能语音识别系统中实体标注任务的准确性。通过多任务学习和外部知识库的验证，研究结果表明利用用户行为记录自动打标能有效提升深度学习系统中的训练数据准确率以及用户面向结果。
personal assistant aimachine learningtraining datauser engagement signalssequence labeling
发现论文，激发创造
  • 大规模会话型 AI 代理的基于反馈的自学习

    本研究提出了一种自学习系统，使用用户 - 系统交互反馈信号自动纠正对话式人工智能系统中出现的各种组件错误，并通过吸收马尔可夫链模型挖掘这些反馈信号中的共同模式，进行可扩展的改进，实现了大规模对话式人工智能系统的自主学习，能显著降低过多次错误和缺陷。

    Nov, 2019

  • 探索视觉参与信号用于表示学习

    本研究基于视觉互动线索作为监督信号进行表征学习，并提出了一种弱监督学习方法 VisE，通过将社交媒体图片映射到基于聚类互动信号得到的伪标签来学习视觉表征，进而在情感识别或政治偏见检测等计算机视觉任务中得到了良好的效果。

    Apr, 2021

  • 商用智能语音助理领域分类的主动学习

    本研究介绍了一种基于 LSTM 域选择组件的人工智能助理系统中对于选择相关新训练数据的方法，实验结果表明，与随机选择和基于熵的方法相比，在固定标注预算的情况下提供了更高的准确性提升。

    Aug, 2019

  • 自监督对比学习：面向对话代理的高效用户满意度预测

    该研究开发了一种利用自监督对比学习和少样本迁移学习的方法，能显著减少标注数目，并提高面向未知领域技能的泛化性能。

    Oct, 2020

  • 交互式弱监督：学习用于数据标注的有用启发式方法

    该研究论文展开了交互式弱监督学习框架的研究，该框架中，方法提议启发式方法并从用户每个被提议的启发式反馈中学习，其实验表明只需要少量的反馈迭代就可以训练模型达到高竞争的测试集性能，而不需要访问本文中使用的标签数据。

    Dec, 2020

  • 对话中利用部署数据的隐式反馈

    通过学习用户与已部署模型之间的自然对话，我们研究了提高社交对话代理的方法，无需额外的注释。利用用户响应长度、情感以及未来人类发言中的反应等信号来隐式衡量机器生成发言的质量。我们的实验使用了 BlenderBot（Xu 等，2023 年）的公开发布的部署数据。人工评估表明，我们的新模型在基线回复上有所改进；然而，我们发现一些代理信号也可能导致具有不良特性的生成。例如，优化对话长度可能导致比基线更具争议性或不友好的生成，而优化积极情感或反应则可能减少这些行为。

    Jul, 2023

  • 自我监督学习用户定位

    基于自我监督学习的无标注数据预训练，提升了基于 CSI 的用户定位的监督学习性能，该方法利用两个自编码器模型从无标注数据中提取相关特征，然后通过微调基于 MLP 的位置估计模型准确推断用户位置。我们在 CTW-2020 数据集上进行实验验证了该方法的有效性，尤其对于大规模的定位任务也取得了有希望的结果。

    Apr, 2024

  • 利用任务感知的神经语言模型增强序列标注

    本研究提出了一种新颖的神经网络框架，将预先训练好的字级知识和字符感知神经语言模型相结合，利用转移学习技术实现不依赖于额外监督信号的序列标注任务，并在基准数据集上通过大量实验验证了其有效性和高效性。

    Sep, 2017

  • 半监督交互式意图标注

    展示了一个基于 BERT 模型的 Intent Bulk Labeling 系统，通过使用先进的聚类和可视化标注方法，与数据增强技术相结合，提高了 SDS 模型的意图和分类准确度达到超过 10% 的效果。同时，该系统还可从聚类模型提取话语嵌入并以交互方式进行批量标记，减少了数据标注的时间和精力消耗。

    Apr, 2021

  • 人体活动检测的多任务自监督学习

    本文提出了一种基于自监督技术的特征学习方法，应用于无形标签的传感器数据。该方法可以应用于人类活动识别等领域，可以通过转化识别任务提供监督信号提取有价值的特征，并在智能手机环境下的无人监督、半监督和迁移学习的情况下实现了与完全监督网络相当甚至更好的性能。该技术可被广泛应用于其他领域。

    Jul, 2019