基于梯度的选择性数据增强用于 anomia 患者的意图目标识别
计算与语言
2025-06-18 v1
摘要
本研究探讨了语言模型在辅助患者经历 anomia（难以确定物品名称）时的潜力。在识别患者语助法中意图目标项目的过程中，存在两个挑战：(1) 与识别该项目相关的术语未被看到。(2) 使挑战独特之处在于由语义错写造成的内在扰动项，这些项与目标项目恰好不相关，阻碍了识别过程。为解决上述问题，我们从语义错写错误中进行鲁棐化，并通过梯度基于的选择性数据增强来增强模型。具体而言，梯度值控制语义错误下的增强数据质量，而梯度方差指导包含未见但相关术语的纳入。由于限于特定领域数据集，我们在 Tip-of-the-Tongue 数据集上作为中间任务进行评估，然后将我们的发现应用于来自 AphasiaBank 的真实患者数据。我们的结果表明，该方法在基线方法面前表现出色，通过解决上述挑战来帮助 anomia 患者。
引用
@article{arxiv.2506.14203,
title = {Intended Target Identification for Anomia Patients with Gradient-based Selective Augmentation},
author = {Jongho Kim and Romain Storaï and Seung-won Hwang},
journal= {arXiv preprint arXiv:2506.14203},
year = {2025}
}
备注
EMNLP 2024 Findings (long)