- UniConv: 多领域任务导向对话的统一对话神经架构
提出了一种名为 UniConv 的神经结构,它能够同时训练多个模块,包括对话状态跟踪和回答生成器,用于多域任务导向的对话系统,实验表明其在 MultiWOZ2.1 基准测试上具有优异的性能。
- GMM-UNIT: 基于属性高斯混合模型的无监督多领域多模态图像转换
GMM-UNIT 基于分离内容 - 属性表示的方法,其中属性空间拟合了高斯混合模型,每个高斯混合模型组件代表一个域,它具有可以轻松扩展到大多数多域和多模态图像的优势,同时具有连续域编码,可以在域之间进行插值和外推,是用于无监督图像到图像翻译 - AAAI多领域任务完成的层次化上下文增强对话系统
本文介绍了我们提交的解决方案 Hierarchical Context Enhanced Dialogue System (HCEDS) ,该方案使用 BERT 捕获字词级别信息,并使用注意机制捕获句子级别信息,以全面探索层级上下文对于理解 - ACL神经机器翻译多域课程学习
本研究利用实例级域相关特征和自动构建培训计划的方式,同时为多领域进行数据选择;经过大规模实验,证明多领域计划能达到或超过单独培训的性能,并带来实质收益。
- EMNLP引导式对话策略学习:针对多领域任务导向型对话的奖励估计
该研究提出了一种基于对抗逆强化学习的引导式对话策略学习算法,该算法可以在多领域任务导向对话中进行奖励估计和策略优化,以实现有效的对话,并在多领域对话数据集上进行广泛实验。
- ICCVRelGAN: 基于相对属性的多领域图像到图像翻译
论文提出了一种名为 RelGAN 的新的多领域图像到图像翻译方法,该方法使用相对属性来在连续的方式下修改图像,以达到更好的细粒度控制和有效性。在面部属性转移和插值任务中,实验结果表明了我们方法的量化和定性有效性。
- StarGAN-VC2: 基于 StarGAN 的语音转换中重新思考条件方法
本研究提出了一种改进的条件方法 StarGAN-VC2,包含源域和目标域的条件对抗损失和基于调制的条件方法,来使多域语音转换更加准确和自然。实验结果显示,该方法在语音质量和说话人相似度方面优于之前的 StarGAN-VC 模型。
- MultiWOZ 2.1:一个包含状态纠正和状态跟踪基线的融合多域对话数据集
MultiWOZ 2.1 是一个包括多个领域的对话数据集,通过重新注释状态和话语,以及合并用户对话行为,解决了 MultiWOZ 2.0 存在的问题,并对该数据集进行了评估,展示了当前最先进的对话状态跟踪模型在该数据集上的表现。
- PKUSEG:多领域中文分词工具包
本文提出了一个新的工具包 ——PKUSEG,用于多领域中文分词。PKUSEG 通过提供不同领域的独立模型来达到多领域分词的目的,还提出了一个领域自适应模型来为缺乏标签数据的领域提供分词模型。该工具包具有高性能,支持词性标注和模型训练,可适应 - ACL利用弱监督实现统一的语义解析
本研究提出了一种在多个知识库上进行语义解析的框架,采用弱监督训练。通过多个特定于域的语义分析器(教师)训练一个统一的多域语义解析器(学生)来解决这一挑战。 在标准 Overnight 数据集上,相对于基线技术,该模型在指称准确性方面提高了 - ACL基于分层解耦自注意力的语义有条件对话响应生成
利用对话行为结构建立多层次的分层脱离式自注意网络,通过激活不同的头来模拟大规模多领域场景中的对话行为语义,实现神经响应生成。该模型在自动和人类评估度量方面在大规模多领域的 Multi-Domain-WOZ 数据集上取得了显着的改进。
- ConvLab:多领域端到端对话系统平台
ConvLab 是一个开源的多领域端到端对话系统平台,它使研究人员能够快速设置实验,并比较许多不同的方法,从传统的管道系统到端到端的神经模型,在共同环境中。ConvLab 提供了一组完全注释的数据集和相关的预训练参考模型。我们扩展了 Mul - ICCV混合域图像翻译的 Sym 参数化动态推断
该研究提出一个新的多域图像翻译方法,将 ` 多域 ' 的概念从数据扩展到损失区域,并学习每个域的混合特征,实现可动态推断混合域图像的翻译,无需任何目标域数据集。
- SingleGAN: 单一生成器网络利用多组生成对抗学习进行图像转换
单个生成器的多领域图像翻译方法 SingleGAN,在多种无配对数据集上显示出明显的优势和普适性。
- 通用音乐翻译网络
本研究提出使用基于多领域 wavenet 自动编码器的方法进行音乐跨乐器、流派和风格的转换,并利用无监督学习的方法在 NSynth 和音乐家采集的数据集中实现了令人信服的转换结果,即使是从哨声这样不同领域中的音乐进行转换,也可以让非专业人士 - 可扩展的多领域对话状态跟踪
本文介绍了一种基于深度学习的可伸缩的多领域对话状态跟踪方法,通过引入一个新的状态跟踪框架,该框架独立于具体的槽值集合,并将对话状态表示为候选值集合的分布,此方法能够快速适应新领域,提高跨领域和可扩展性。
- 多领域情境下的神经机器翻译训练
本文探索了在多领域场景下训练神经机器翻译系统的替代方法,结果表明最佳翻译质量可通过在可用领域数据的串联上构建初始系统并在领域内数据上进行微调来实现。
- 学习所有模型的一种模型
本研究旨在通过建立一个深度学习模型,同时训练图像分类、多语种翻译、图片描述生成、语音识别以及英文解析等多个任务,并在各个任务上都达到良好的结果。该模型特别之处在于将多个计算块集成到架构中,如卷积层、注意力机制和稀疏门控层等,每个计算块都对一 - 高斯过程强化学习实现的对话管理领域适应性
本文探讨了使用高斯过程强化学习扩展多个对话领域的方法,这是一种优雅的框架,自然支持多个方法,包括先前的知识,贝叶斯委员会机器和多智能体学习,用于促进可扩展和适应性对话系统。