OodGAN：用于域外数据生成的生成对抗网络
计算与语言
2021-04-07 v1 人工智能
机器学习
摘要
检测域外（OOD）话语对鲁棒对话系统至关重要。多数对话系统为此在带标注 OOD 数据池上训练。然而，为给定领域收集标注 OOD 数据代价高昂。为缓解此问题，已有工作提出基于生成对抗网络（GAN）的模型来自动生成给定领域的 OOD 数据。但这些模型不直接处理文本，而是处理文本潜空间，迫使模型包含将文本编码至潜空间并解码回来的部件（如自编码器）。这些部件增加了模型复杂度，致其难以训练。我们提出 OodGAN，一种基于序列生成对抗网络（SeqGAN）的 OOD 数据生成模型。我们所提模型直接作用于文本，从而免除了包含自编码器的必要。使用 OodGAN 模型生成的 OOD 数据在 ROSTD（FPR 0.95 相对提升 67%）与 OSQ 数据集（FPR 0.95 相对提升 28%）的 OOD 检测指标上优于最先进水平（Zheng et al., 2020）。
引用
@article{arxiv.2104.02484,
title = {OodGAN: Generative Adversarial Network for Out-of-Domain Data Generation},
author = {Petr Marek and Vishal Ishwar Naik and Vincent Auvray and Anuj Goyal},
journal= {arXiv preprint arXiv:2104.02484},
year = {2021}
}
备注
NAACL 2021 Industry track