ACLJul, 2023

反事务提示的领域跨度槽位填充的生成式零样本提示学习

PDF
TL;DR零 - shot 跨领域槽填充的生成式零 - shot 提示学习框架，通过反向提示策略区分不同槽类型以避免多重预测问题，以及通过训练更少的提示参数来提高性能，证明了我们提出的框架的有效性，尤其是在未见过的槽上有巨大的提升（+13.44% F1）。
zero-shot cross-domain slot fillinggenerative zero-shot prompt learning frameworkinverse prompting strategyprompt-tuning strategyunseen slots
发现论文，激发创造
  • 通过基于原型对比学习和标签混淆构建至目标领域的桥梁：重探零样本学习在槽填充中的应用

    本文提出了一种基于原型对比学习和动态标签混淆策略的零样本槽位填充方法，能够有效地解决现有方法在目标领域中无法实现有效知识转移，无法处理目标领域中未知槽位的问题。实验结果表明，本文提出的方法在未知槽位方面取得了显著改进，并在槽位填充任务中创造了新的技术水平。

    Oct, 2021

  • 具有示例值的强韧的零样本跨领域隙槽填充

    在面对数据量缺乏的多领域任务型对话系统中，本文提出一种结合了槽位值示例及其描述信息的学习方法，从而得到可在不同领域中迁移的槽位语义表示，并在两个多领域数据集上实现了比最先进方法更好的效果表现。

    Jun, 2019

  • HierarchicalContrast：一个用于跨领域零样本槽位填充的粗到精对比学习框架

    在任务导向的对话场景中，跨领域零样本槽填充在利用源领域知识学习高泛化能力模型的同时，在未标注数据的未知目标领域中起到至关重要的作用。然而，现有最先进的零样本槽填充方法在目标领域中的泛化能力有限，只对已见槽显示有效的知识转移，在未见槽上表现不佳。为了缓解这一问题，我们提出了一种新颖的分层对比学习框架（HiCL）用于零样本槽填充。具体而言，我们提出了一种基于高斯分布嵌入的粗细粒度对比学习方法，以学习语句标记之间的广义深层语义关系，通过优化之间和之内的标记分布距离。这促使 HiCL 在训练阶段泛化到未见的槽类型上。此外，我们提出了一种新的迭代标签集语义推断方法，可以不偏不倚地分别评估在先前的零样本槽填充评估方法中与它们的对应槽类型相纠缠的未见槽类型的性能。对四个数据集的广泛经验性实验证明，所提出的方法的性能与当前最先进的零样本槽填充方法相当甚至更好。

    Oct, 2023

  • 基于语言丰富和上下文感知的零样本槽位填充

    提出了一种新的零射击槽填充神经模型 LEONA，通过利用语言特征、命名实体识别提示、预训练语言模型的上下文嵌入，从而获得领域无关的上下文感知表示，通过三步骤 fine-tunes 产生独立于槽的标签，并使用可推广的上下文感知语句 - 槽相似特征将其上下文化以产生每个单词的针对特定槽的预测，总体而言，在 SNIPS、ATIS、MultiWOZ 和 SGD 数据集上，从未见过的领域平均表现优于 SOTA 模型 17.52％、22.15％、17.42％ 和 17.95％

    Jan, 2021

  • 自适应端到端度量学习用于零样本跨领域槽填充

    基于深度学习和大规模标注数据，本论文提出了一种适应性的端到端度量学习方案，用于解决零样本槽填充的挑战性问题，并通过级联式联合学习框架、上下文感知软标签表示和槽级对比表示学习方法，有效地缓解了数据和标签转移问题，实验证明了该方法优于其他竞争基线模型。

    Oct, 2023

  • 反转更好！快速准确的提示用于少样本槽位标记

    反向提示方法结合迭代预测策略成功提高短语标记任务的效果（在 10 个样本数据集上提高 6.1 个 F1 分数），并实现了新的最先进性能。

    Apr, 2022

  • 使用预训练 Transformer 的 S-Prompts 学习：领域增量学习的 Occam 剃刀

    本研究提出了 S-Prompting 范式和两种方法，通过独立学习提示，从而高度减少领域增量学习（DIL）中的遗忘程度，实现了深度神经网络在连续学习中一个最典型的场景 -- 领域增量学习（DIL）中的最佳表现。

    Jul, 2022

  • 自监督协同训练实现开放领域槽位填充

    这篇论文提出了一个名为 SCot 的自我监督协同训练框架，它需要零个领域内手动标记的训练例子，并且通过引入三个阶段来最小化性能差距，证明了在开放域槽填充中可行性，通过使用伪标签和自我监督强化三个阶段的性能，SCot 在 SGD 和 MultiWoZ 数据集上的性能比现有的模型分别提高了 45.57％和 37.56％。

    Mar, 2023

  • 指导零样本学习的提示生成

    通过进一步采用指令跟随技术来提取具有综合转移知识的指导性视觉提示，以解决固定学习提示在已知领域上过分强调训练期间观察到的主要视觉特征的问题，并通过引导学习的指令提示来实现对视觉表示的反向校正，从而弥补缺失的视觉细节并消除跨模态差异，为未知领域的泛化带来显著性能提升。

    Jun, 2024

  • 对话状态跟踪领域自适应的零样本自适应前缀

    Prompter 提出了一种使用目标领域槽的描述生成动态前缀的方法，从而使得可以在零样本情况下使用前缀调整。该方法在 MultiWOZ 和 SGD 基准测试中均优于以前的方法。

    Jun, 2023