OodGAN: 用于域外数据生成的生成对抗网络

ACLApr, 2021

OodGAN: 用于域外数据生成的生成对抗网络

OodGAN: Generative Adversarial Network for Out-of-Domain Data Generation

Petr Marek, Vishal Ishwar Naik, Vincent Auvray, Anuj Goyal

TL;DR使用 SeqGAN 的 OodGAN 模型，可直接处理文本数据而无需附加自编码器组件，生成的 OOD 数据优于 ROSTD 和 OSQ 数据集的现有模型，因其相应的假阳性率的 FPR 0.95 相对提高了 67％和 28％（Zheng et al.，2020）。

Abstract

Detecting an Out-of-Domain (OOD) utterance is crucial for a robust dialog system. Most dialog systems are trained on a pool of annotated OOD data to achieve this goal. However, collecting the annotated OOD data for a given domain is an expensive process. To mitigate this issue, previous works have proposed generative adversarial networks (GAN) based models t

out-of-domain utterance dialog system generative adversarial network data generation seqgan

发现论文，激发创造

对话系统中自然语言理解的领域外检测

本文提出了一种基于自动编码器和生成对抗网络生成伪 OOD 样本来提高 NLU 中 OOD 检测性能的新模型，同时也演示了未标注数据可以进一步提高这些伪 OOD 数据的有效性。

Sep, 2019

度量学习与自适应边界用于域外检测

设计了一种基于度量学习和自适应决策边界的 OOD 检测算法，相较于其他算法，在类别数量较少的情况下显著提高 OOD 性能，保持了 IND 类别的准确性。

Apr, 2022

在構建越域檢測器時，正確分類預測樣本至關重要：對 Marek 等人（2021）的答覆

本论文探讨了利用生成对抗网络生成伪 OOD 样本来提高基于 IND 分类器对 OOD 样本检测性能的方法，并通过熵正则化项进行优化，同时观察研究表明更强的 IND 分类器能更好地识别 OOD 样本，希望这些发现可对其他研究人员提供有益的帮助。

May, 2022

有监督对比学习建模鉴别性表示进行领域外检测

本文提出了一种监督对比学习方法和对抗性增强机制，在语义空间中学习以区分任务型对话系统中的域外意图，并实证了该方法对于 OOD 检测的效果。

May, 2021

无监督领域外检测的似然比和生成式分类器在任务导向型对话中的应用

该研究探讨了利用似然比和生成分类器的方法在自然语言输入下实现任务导向对话系统的域外检测，并提出了一种利用生成分类器和边际似然值（比率）进行域外检测的方法。

Dec, 2019

仅使用领域内语句的神经句子嵌入在对话系统中检测领域外句子

为了保证用户体验，本文提出了一种新颖的神经句子嵌入方法，通过在低维连续向量空间中表示句子来区分领域内和领域外的句子，并通过学习以识别领域外的句子。在八个领域的对话系统中实验比较表明，我们提出的方法在所有测试中都获得了最高的准确性。

Jul, 2018

O-GAN: 极简的自编码生成对抗网络方法

本文提出了正交生成对抗网络 (O-GANs)，通过将鉴别器网络正交分解并在普通 GANs 的目标函数中加入附加损失，实现了鉴别器作为有效编码器的功能，并能嵌入于任何类型的 GANs 中，这是训练具备自编码能力的生成对抗网络最简单的方法。

Mar, 2019

无需领域内标签：文本领域外检测

本研究旨在解决无法获取 in-domain 数据标签的情况下，从语言模型和表示学习的角度，通过无监督的聚类和对比学习的结合，对 OOD 检测进行更好的数据表示学习，实验证明该方法的性能显著优于基于概率的方法，并且可以与基于标签信息的监督方法竞争。

Mar, 2022

GROD：利用外部分布检测增强 Transformer 的泛化性能

基于 OOD 检测的 Generate Rounded OOD Data (GROD) 算法通过惩罚 OOD 数据的错误分类和生成合成异常值来增强 Transformer 网络在各种任务上的泛化性能，并在不同数据类型的 NLP 和 CV 中的各种 OOD 检测任务中达到了 SOTA 水平。

Jun, 2024

有限数据之外：通过外推实现无数据外域泛化

利用大型语言模型和文本到图像生成技术，我们介绍了一种领域外推方法，通过合成全新领域的高保真、逼真的图像来显著提高域泛化数据集的训练效果，实现了单一和多领域泛化任务上的显著改进，甚至在没有任何收集数据的条件下，超过了监督设置的表现。

Mar, 2024