EMNLPOct, 2020

动态语义匹配与聚合网络用于少样本意图检测

PDF
TL;DR本文提出了一种基于多头自注意力和动态正则化约束的语义匹配聚合网络，为 few-shot 意图检测任务提供了更为有效的匹配方法，并在进行了广泛实验后证明了我们方法的有效性。
few-shot intent detectionmulti-level matchingsemantic matchingaggregation networkgeneralized few-shot learning
发现论文，激发创造
  • 简单语义辅助的少样本学习

    利用少量数据进行学习是一项具有挑战性的计算机视觉任务，本文通过引入高质量的语义以及使用简单的网络结构，设计了一个名为 “语义进化” 的自动化方式来解决少样本学习中的问题，实验证明该方法在少样本分类任务中表现优异。

    Nov, 2023

  • 基于对比度预训练和微调的小样本意图检测

    本文提出了一种对于细粒度、语义相似的意图进行 Few-shot 检测的方案，使用了对比自监督预训练和有监督对比学习的组合方式，在三种不同的具有挑战性的 Few-shot 意图检测数据集上实验，获得了最先进的表现。

    Sep, 2021

  • QAID: 基于问答启发的少样本意图检测

    将意图识别重新定义为一个问答检索任务，通过批量对比损失采用了两阶段训练策略，提高了查询表示方法和同一意图答案间的上下文化令牌级相似度得分，最终在少样本意图识别测试上达到了最先进的性能。

    Mar, 2023

  • 多层级匹配和聚合网络用于少样本关系分类

    我们提出了一个多层匹配与聚合网络（MLMAN）来进行少样本关系分类，相较于此前采用原型网络，其考虑了本地和实例层面上的匹配信息进行交互式编码，并使用注意力机制聚合了支持集中每个实例的表示，实验结果表明其在 FewRel 数据集上达到了最新的最优性能。

    Jun, 2019

  • 基于依存结构的多粒度标签细化网络，用于联合意图检测和槽位填充

    本文提出一种基于依存结构和标签语义嵌入的多粒度标签精炼网络，利用图注意层介绍了句子的依存结构来增强句法表示，通过注意机制将任务特定的特征与相应的标签嵌入相结合捕获语法信息和任务标签之间的语义依赖关系。在两个公共数据集上的实验结果表明，我们的模型取得了竞争性能。

    Sep, 2022

  • 新谓词的少样本语义解析

    本研究探讨了少样本学习条件下语义解析的问题，提出了应用元学习方法进行模型训练、用对齐统计规则化注意力得分、在预训练中应用平滑技术等方法，显著提高了模型准确度。

    Jan, 2021

  • 稠密连接循环和协同信息的语义句子匹配

    本文提出了一种基于 DenseNet 的密集连接共同注意递归神经网络来处理句子匹配问题，并在竞争激烈的基准数据集上验证了其在注意特征和重要信息方面的优势，实现了最先进的性能水平。

    May, 2018

  • 增量摘要的样本高效多模态语义增强

    本文提出了一种基于提示的增量视频摘要方法，采用少样本的方式提取语义概念并结合聚类和查询技术提高摘要生成效率，并通过实验证明使用视频中相关实体和动作作为提示能够增强模型生成的摘要。

    Mar, 2023

  • Few-Shot 识别的属性引导与纯视觉注意力对齐

    本文提出了一种利用人工注释属性的属性引导注意力模块 (AGAM)，以实现更具有区分性的特征学习，从而改善仅使用视觉信息的查询集的特征选择，达到了不同数据集和设置下的最先进性能。

    Sep, 2020

  • SimMatch: 带相似性匹配的半监督学习

    本文提出了一种新的半监督学习框架 SimMatch，该框架同时考虑语义相似性和实例相似性，并通过一致性正则化将这两种相似性转换为更可靠的匹配目标，实现了半监督学习任务的性能提升，特别是在 ImageNet 数据集上，1％和 10％标记示例的 Top-1 准确率均显着优于基线方法和以前的半监督学习框架。

    Mar, 2022