이 논문은 새로운 의도 발견(NID) 문제를 다룹니다. NID는 제한된 레이블링된 데이터와 대규모 레이블링되지 않은 데이터를 활용하여 알려진 의도 범주를 인식하고 새로운 의도 범주를 추론하는 것을 목표로 합니다.
논문은 다음과 같은 두 가지 주요 문제를 해결하고자 합니다:
이를 위해 저자들은 강건한 프로토타입 끌어당기기 학습(RPAL)과 적응형 프로토타입 퍼뜨리기 학습(APDL)을 제안합니다. RPAL은 각 인스턴스 표현을 해당 클래스 프로토타입에 가깝게 만들어 클러스터 내 응집력을 높입니다. APDL은 프로토타입 간 거리를 최대화하여 클러스터 간 분리를 향상시킵니다. 이 두 방법을 다중 과제 학습으로 결합하여 알려진 및 새로운 의도 범주에 대한 구분되는 표현을 학습합니다.
실험 결과, 제안 방법은 기존 최신 방법 대비 평균 5.5% 향상된 성능을 보였습니다. 이는 제안 방법이 NID 문제에 효과적으로 적용될 수 있음을 보여줍니다.
לשפה אחרת
מתוכן המקור
arxiv.org
תובנות מפתח מזוקקות מ:
by Shun Zhang,J... ב- arxiv.org 03-26-2024
https://arxiv.org/pdf/2403.16913.pdfשאלות מעמיקות