文献

J-GLOBAL ID：202202246458433331   整理番号：22A0978982

クロスネガティブサンプリング条件のためのロバストな応答選択モデルに向けて【JST・京大機械翻訳】

Toward Robust Response Selection Model for Cross Negative Sampling Condition

著者 (2件)： Lee Nyoungwoo (KAIST,School of Computing,Korea, Republic of) ,  Choi Ho-Jin (KAIST,School of Computing,Korea, Republic of)
資料名： IEEE Conference Proceedings  (IEEE Conference Proceedings)
巻： 2022  号： BigComp  ページ： 395-397  発行年： 2022年 
JST資料番号： W2441A  資料種別： 会議録 (C)
記事区分： 原著論文  発行国： アメリカ合衆国 (USA)  言語： 英語 (EN)

抄録/ポイント： オープンドメイン対話は,与えられた対話文脈の中で最も適切な応答を選択する対話応答選択タスクとして定式化できる。このようなタスクにおいて,神経対話モデルは,コンテキスト応答コンテンツ類似性に基づく応答を予測するが,類似性に対する過剰信頼性を持つモデルは実世界シナリオではロバストではない。コンテンツ類似性を超える特徴を学習するための選択モデルを可能にする敵対的ネガティブ応答を利用するための様々な方法が提案されてきたが,敵対的ネガティブ応答に依存する選択モデルは,ランダムネガティブ応答を良く区別しない。異なるタイプの負の応答に依存しないロバストな選択モデルが必要である。この問題を緩和するために,本論文では,負の応答のタイプに依存する選択モデルの性能を同定することにより,新しい訓練法あるいはモデルアーキテクチャの必要性を示唆した。訓練に対するランダムおよび敵対的負の応答の両者を用いることは基本的な解決策であるが,この解はランダムテストデータセットにおいて性能劣化をまだ示すことができる。このような観察は,負の応答の分布シフトのためのロバスト選択モデルの必要性を支持する。Copyright 2022 The Institute of Electrical and Electronics Engineers, Inc. All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： 信頼性 ,  類似性 ,  定式化 ,  計算機アーキテクチャ ,  *ロバスト性 ,  会話 ,  コンテンツ
準シソーラス用語： 敵意 ,  性能劣化 ,  *選択モデル ,  応答選択 ,  ランダムテスト , 【Automatic Indexing@JST】

分類 (1件)： 図形・画像処理一般  (JE04010I)

タイトルに関連する用語 (3件)： ロバスト ,  応答選択 ,  モデル