BriefGPT - AI 论文速递
·
UNO-DST: 利用无标签数据进行零样本对话状态跟踪
💡
原文中文，约300字，阅读约需1分钟。
📝
内容提要
该研究通过联合和自我训练方法，将零样本对话状态跟踪转化为少样本对话状态跟踪，利用目标域中的无标签数据，有效提高了对话状态跟踪模型的训练和微调，在 MultiWOZ 的所有领域中，平均联合目标准确率提高了 8%。
🎯
关键要点
- 研究通过联合和自我训练方法，将零样本对话状态跟踪转化为少样本对话状态跟踪。
- 利用目标域中的无标签数据，提高对话状态跟踪模型的训练和微调效果。
- 辅助任务生成槽类型作为主要任务的逆提示，在联合训练期间创建槽值。
- 循环一致性使得能够生成和选择未知目标域中的高质量样本，以进行后续微调。
- 该方法有助于自动标签创建，优化对话状态跟踪模型的训练和微调。
- 在零样本场景中的大型语言模型上展示了该方法的有效性。
- 在 MultiWOZ 的所有领域中，平均联合目标准确率提高了 8%。
➡️
