EMNLPNov, 2022

估计跨领域意图检测的软标签

PDF
TL;DR提出了自适应软伪标签 (ASoul) 方法，用于在训练 OOD 检测器时为伪 OOD 样本估计软标签。该方法通过嵌入图捕获伪 OOD 样本和 IND 意图之间的语义连接，并引入协同训练框架来产生结果软标签。在三个基准数据集上的大量实验证明 ASoul 不断改善 OOD 检测性能并优于各种竞争基线。
out-of-domain intent detectionsynthesizing pseudo ood samplesadaptive soft pseudo labelingembedding graphco-training framework
发现论文，激发创造
  • APP: 自适应典型伪标记用于少样本类外检测

    本文提出了一种自适应原型伪标记（APP）方法，用于少样本场景下的域外意图检测，包括使用有限的内部数据促进低资源的域外意图检测的原型域外意图检测框架（ProtoOOD），以及产生高质量伪域外和域内标签的自适应伪标记方法。大量的实验和分析证明了我们方法在少样本场景下的域外意图检测的有效性。

    Oct, 2023

  • 鲁棒语言模型的伪 OOD 训练

    本文提出 POORE - POsthoc pseudo-Ood REgularization 框架，通过在内部数据中生成伪 OOD 数据进行 fine-tune，通过引入新的正则化损失来分离 IND 和 OOD 数据的嵌入，提高了 OOD 预测任务的准确度，相较现有方法在三个实际对话系统上获得了最新的技术进展。

    Oct, 2022

  • 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

  • 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

  • 跨领域意图检测和意图发现的混合架构

    本文介绍了通过使用变分自编码器、非监督聚类等方法，解决了任务导向型对话系统中存在的 Out of Scope，Out of Domain 等输入识别问题，以及训练 Intent Detection 模型时的数据集标注问题。在英文和波斯语中的实验结果表明，我们的模型在同时实现 OOD/OOS 意图检测和意图发现方面取得了优异的性能效果，超越了基准线。

    Mar, 2023

  • SLU 中意图分类和跨领域检测的泛化增强

    该研究提出了一种使用领域正则化模块的方法，仅使用 In-domain 数据培训模型，支持 In-domain 意图分类和 Out-of-domain 检测，并在 4 个数据集上达到了最先进的性能。

    Jun, 2021

  • 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

  • 基于能量学习的领域外意图检测中的置信分数分布分解

    本文提出了一种简单而强大的基于能量的得分函数来检测超领域或未知意图的方法，同时介绍了一种基于能量的边界目标来区分超领域与内部领域，并通过全面的实验和分析证明了该方法有助于解开内部领域和超领域数据的置信度得分分布。

    Oct, 2022

  • 领域内外样本间语义相似度估计

    提出了多种关于 OOD 定义的系统分析，通过在 12 个不同任务的数据集上进行广泛的评估，发现无监督度量有着可靠地识别 OOD/OODist 样本的潜力。

    Jun, 2023

  • 使用动态类别加权联合学习领域分类和域外检测以达到适当的假接受率

    本文提出了一种基于神经联合学习模型的领域分类和 OOD 检测方法，在模型训练中使用动态类别加权以满足所需的 OOD 假接受率，同时最大化领域分类准确性，实验结果表明该方法显著提高了大型口语对话系统的领域分类性能。

    Jun, 2018