Oct, 2022

LEATHER：对话人类化文本生成学习框架

PDF
TL;DR本文提出了一种新的理论框架，旨在分析文本生成中多方面的目标并为适应未见数据的学习者提供理论保证，应用于 GuessWhat？！视觉对话游戏的数据转移研究，提出了一种新的算法。实验证明，本文提出的算法不仅改善了任务成功率，而且提高了生成文本的人类相似度，并且本文的统计数据能够预测对话的多个质量，是模型选择的一个有用指标。
text generationdialogue learningtheoretical frameworkadaptation to unseen datamodel-selection
发现论文，激发创造
  • 从有偏倾向的训练数据中学习生成公平对话文本

    This paper explores equitable text generation in dialogue systems using theories of computational learning, providing formal definitions of equity in text generation and proving formal connections between learning human-likeness and learning equity.

    Jul, 2023

  • 持续学习神经对话管理

    提出了一种基于神经网络框架的分层学习方法，通过监督学习和强化学习相结合，实现了对话管理任务中的有效性以及在高噪声的情况下提高性能。

    Jun, 2016

  • 基于对话的语言学习

    研究人员在机器学习和自然语言理解方面的不懈探索中探讨了基于对话的语言学习，发现预测前瞻是一种有前途的学习策略，并表明它可以在没有奖励监督的情况下正确地回答问题。

    Apr, 2016

  • 人机对话学习

    本文探讨了使用增强学习的方式，通过与人类交互并接受其反馈来提高对话代理的能力，模拟了在人工环境中的各种学习情况，介绍了适用于此类学习的模型，并通过机械土耳其实验验证了此方法。

    Nov, 2016

  • 通过强化学习和人类示范来减少说服对话中的重复和不一致性

    本文通过引入强化学习（RL）进行用户交互训练，实现了一个更加人性化的劝说对话系统，并成功在捐赠劝说任务中取得了优于先前最先进的对话模型的表现。

    Dec, 2020

  • 自主驱动的语言模型从零开始的最小人工监督自我对齐

    研究提出了 SELF-ALIGN 方法，利用少量人工监督和结合原理驱动推理和 LLM 的生成能力，实现 AI 助手的自我对齐，减少人工监督的依赖，获得更好的性能，开发了 Dromedary AI 助手。

    May, 2023

  • BabyAI++: 初探基于实体的语言学习

    该研究针对强化学习中的新环境和动态环境，通过使用描述性文本探究使用教育性文本是否有助于代理在这些环境下的泛化，并通过 BabyAI++ 开发了一种基于视觉语言学习的新方法，实验结果表明，使用描述性文本可以提高 RL 代理在不同动态环境下的泛化能力。

    Apr, 2020

  • 利用 LLM 代理生成合成对话数据集

    通过目标导向的对话式代理生成线性对话样本，实现与用户的对话以获取所需的线性模型信息，并通过人工和自动评估，包括使用 GPT-4 模仿人工评估指标的评估方法，验证对话的高质量性。

    Jan, 2024

  • 解锁多样观点：基于人物角色的多智能体框架及辩论驱动的文本规划技术用于论证生成

    使用基于人物的多智能体框架进行辩论和讨论，以生成多样化且有说服力的论证，进一步改进了当前的语言模型生成表面的符号的问题。

    Jun, 2024

  • 通过对话策略和语言生成之间的替代优化构建面向任务的视觉对话系统

    本研究提出一种新的框架，可有效学习任务导向视觉对话系统的最优对话策略，并在 GuessWhich 任务中实现了最新的任务完成和对话质量表现。

    Sep, 2019