持续广义意图发现：迈向动态开放世界意图识别
计算与语言
2023-10-17 v1 人工智能
机器学习
摘要
在实际对话系统中，用户可能输入域外（OOD）查询。广义意图发现（GID）任务旨在从 OOD 查询中发现 OOD 意图，并将其扩展到域内（IND）分类器中。然而，GID 仅考虑 OOD 学习的一个阶段，且需要利用所有先前阶段的数据进行联合训练，这限制了其在现实中的广泛应用。在本文中，我们引入一项新任务——持续广义意图发现（CGID），旨在从动态 OOD 数据流中持续自动发现 OOD 意图，然后以几乎不依赖先前数据的方式将其增量添加到分类器中，从而迈向开放世界中的动态意图识别。接下来，我们提出一种称为基于回放与蒸馏的原型引导学习（PLRD）的 CGID 方法，该方法通过类原型引导新意图发现，并通过数据回放与特征蒸馏平衡新旧意图。最后，我们进行了详细的实验与分析，以验证 PLRD 的有效性并理解 CGID 的关键挑战，供未来研究参考。
引用
@article{arxiv.2310.10184,
title = {Continual Generalized Intent Discovery: Marching Towards Dynamic and Open-world Intent Recognition},
author = {Xiaoshuai Song and Yutao Mou and Keqing He and Yueyan Qiu and Pei Wang and Weiran Xu},
journal= {arXiv preprint arXiv:2310.10184},
year = {2023}
}
备注
Accpeted to EMNLP 2023 (Findings)