用于满足错误接受率约束的域分类与域外检测动态类别加权联合学习
计算与语言
2018-07-03 v1
摘要
在面向口语对话系统的域分类中，正确检测域外（OOD）话语至关重要，因为它能减少用户与系统之间的混淆和不必要的交互成本。以往工作通常利用与域内（IND）分类器分开训练的 OOD 检测器，并基于目标评估分数通过置信度阈值化进行 OOD 检测。本文中，我们引入了一种用于域分类和 OOD 检测的神经网络联合学习模型，在模型训练过程中使用动态类别加权，以在满足给定 OOD 错误接受率（FAR）的同时最大化域分类准确率。在一个大型口语对话系统的话语上的两个域分类任务中进行评估，我们表明我们的方法在满足给定目标 FAR 的情况下显著提升了域分类性能。
引用
@article{arxiv.1807.00072,
title = {Joint Learning of Domain Classification and Out-of-Domain Detection with Dynamic Class Weighting for Satisficing False Acceptance Rates},
author = {Joo-Kyung Kim and Young-Bum Kim},
journal= {arXiv preprint arXiv:1807.00072},
year = {2018}
}
备注
Interspeech 2018