Learning Discriminative Representations and Decision Boundaries for Open Intent Detection

要約

タイトル：オープンインテント検出のための識別表現と決定境界の学習

要約：

– オープンインテント検出は、既知のインテントのみを前提として未知のオープンインテントを同定する自然言語理解における重要な問題である。
– 現在の方法は2つの主要な課題に直面している。第一に、既知のインテントのみを前提としてオープンインテントを検出するためのフレンドリーな表現を学ぶことが困難である。第二に、既知のインテント用に特定かつコンパクトな決定境界を効果的に取得する方法が欠如している。
– この論文では、DA-ADBという新しい枠組みを提案し、距離に注意したインテント表現とオープンインテント検出のための適応的とコンパクトな決定境界を逐次的に学習する。具体的には、距離情報を利用してインテント表現の識別力を向上させ、適切な決定境界を得るための新しい損失関数を設計する。
– 豊富な実験により、提案された距離に注意した表現と境界学習戦略の効果が証明された。従来の手法と比較して、DA-ADBフレームワークは三つのベンチマークデータセットで大幅な改善を達成した。さらに、ラベル付きデータの割合と既知のカテゴリに対して堅牢な性能を示した。

要約(オリジナル)

Open intent detection is a significant problem in natural language understanding, which aims to identify the unseen open intent while ensuring known intent identification performance. However, current methods face two major challenges. Firstly, they struggle to learn friendly representations to detect the open intent with prior knowledge of only known intents. Secondly, there is a lack of an effective approach to obtaining specific and compact decision boundaries for known intents. To address these issues, this paper presents an original framework called DA-ADB, which successively learns distance-aware intent representations and adaptive decision boundaries for open intent detection. Specifically, we first leverage distance information to enhance the distinguishing capability of the intent representations. Then, we design a novel loss function to obtain appropriate decision boundaries by balancing both empirical and open space risks. Extensive experiments demonstrate the effectiveness of the proposed distance-aware and boundary learning strategies. Compared to state-of-the-art methods, our framework achieves substantial improvements on three benchmark datasets. Furthermore, it yields robust performance with varying proportions of labeled data and known categories.

arxiv情報

提供元, 利用サービス

arxiv.jp, OpenAI