NIPSMay, 2023

IGLU NLP 挑战解决方案：使用 World States 和文本指令何时以及如何提问

PDF
TL;DR本文介绍了针对协作构建任务的智能建造代理的开发，旨在通过对话根据用户输入构建结构，并讨论了 NeurIPS 2022 竞赛的 NLP 任务中涉及的两个研究问题：代理何时应该请求澄清和应该提出什么澄清问题，并针对这两个问题进行了两个子任务，即分类任务和排序任务。
发现论文，激发创造
  • 学习执行行动或询问澄清问题

    本文介绍了一种基于 Minecraft 环境的智能建筑代理程序，能够通过对话实现任意建筑物的建造，通过对 Minecraft Corpus 数据集进行扩展，赋予建筑代理程序提出问题的能力，并提出了两个新的任务，联合学习任务和学习提问任务。实验结果表明，该模型具有最先进的表现，并有实质性改进。

    Apr, 2022

  • 必要时澄清：通过与语言模型的交互解决多义性

    我们提出了一个任务无关的框架来通过询问用户澄清问题来解决模型中的歧义，我们的方法在确定何时需要澄清、确定要问的澄清问题以及通过澄清获得的新信息方面都取得了显著成果，并对模型的不确定性进行了估计，我们的方法在准确识别需要澄清的预测方面始终优于现有的不确定性估计方法，使系统能够在仅允许在 10％的示例上进行澄清时将性能提升两倍。

    Nov, 2023

  • 通过自然语言推理对澄清问题进行排名

    教机器提出澄清问题对于自然语言处理系统非常有用，本研究使用 Siamese BERT 模型，将 NLI 的特征运用在 StackExchange 数据集问题排序上，取得了相对于现有基线模型高达 40% 至 60% 的性能提升。

    Aug, 2020

  • 通过互相反馈与代理互动，提高基于场景的语言理解能力

    探索交互式人工智能与人类协作的方向，研究在基于 Minecraft 世界的交互式语言理解任务中，人类可以提供哪些类型的辅助帮助，以提高 AI 行为的性能和表现。

    Apr, 2023

  • 学习提出好问题：通过神经期望完美信息值对澄清问题进行排名

    本研究构建了一个基于神经网络的模型来排列澄清问题，模型以期望的完美信息价值为灵感，并使用来自 StackExchange 的数据进行了研究和评估。

    May, 2018

  • 无需问题示例的开放领域澄清问题生成

    通过提出一个视觉基础的问题 - 回答模型框架，使用期望的信息量增益优化来产生极性澄清问题以消除人机对话中的误解，从而展示了该模型在目标导向的 20 个问题游戏中与人工回答者一起提出的问题如何提高交流成功率。

    Oct, 2021

  • 通过强化学习在对话中进行交互式问题澄清

    本文提出了通过增强学习模型来澄清模糊问题的方法，包括分割问题、选择标签、确认意图和构建适当的响应。模型基于深度政策网络的强化学习模型，通过真实用户点击数据评估并展示了显著的性能提升。

    Dec, 2020

  • 2022 年 IGLU：NeurIPS 2022 的协作环境中的交互式语境理解

    该研究提出了 IGLU 来解决如何让交互式实体智能在协作环境中学习自然语言指令并解决任务的问题，其关键词包括互动式语言理解、实体智能、自然语言理解和生成、强化学习和人类环评。

    May, 2022

  • 通过询问信息问题进行交互式分类

    研究了自然语言分类中交互的潜力，提出了一种基于限制性的交互形式来进行意图分类，系统通过二进制或多项选择问题来提取额外信息，在提取信息与做出最终分类预测之间进行权衡。通过两个领域的实验证明了交互的优势和平衡请求附加信息与做出最终预测的学习的益处。

    Nov, 2019

  • 通过强化学习来控制会话式搜索的风险

    提出了一种风险感知的对话式搜索代理模型，平衡了回答用户查询和提出澄清问题的风险，并通过强化学习策略在 MSDialog 数据集上得到了比非风险感知基线更好的结果。

    Jan, 2021