面向域外检测的度量和自适应边界学习
计算与语言
2022-04-25 v1
摘要
对话智能体通常针对封闭世界环境设计。遗憾的是，用户的行为可能超出预期。基于开放世界环境，我们经常遇到训练数据与测试数据来自不同分布的情况。此时，来自不同分布的数据被称为域外（OOD）数据。一个鲁棒的对话智能体需要对这些 OOD 语句做出恰当反应。因此，鲁棒 OOD 检测的重要性被凸显出来。遗憾的是，收集 OOD 数据是一项具有挑战性的任务。我们设计了一种不依赖 OOD 数据的 OOD 检测算法，该算法在公开可用数据集上优于广泛的当前最先进算法。我们的算法基于一种简单而高效的方法，即将度量学习与自适应决策边界相结合。此外，与其他算法相比，我们发现在类别数量较少的场景下，所提算法显著提升了 OOD 性能，同时保持了域内（IND）类别的准确率。
引用
@article{arxiv.2204.10849,
title = {Metric Learning and Adaptive Boundary for Out-of-Domain Detection},
author = {Petr Lorenc and Tommaso Gargiani and Jan Pichl and Jakub Konrád and Petr Marek and Ondřej Kobza and Jan Šedivý},
journal= {arXiv preprint arXiv:2204.10849},
year = {2022}
}
备注
Accepted to The 27th International Conference on Natural Language & Information Systems (NLDB) 2022