语义分析器的隐私保护领域自适应
计算与语言
2023-06-12 v3
摘要
面向任务的对话系统通常协助用户处理个人或机密事务。因此，此类系统的开发者通常被禁止观察实际使用情况。那么，他们如何知道系统在何处失败并需要更多训练数据或新功能呢？在这项工作中，我们研究如何以合成方式生成逼真的用户话语，以帮助提高系统的语言和功能覆盖率，同时不损害实际用户的隐私。为此，我们提出了一种两阶段差分隐私（Differentially Private, DP）生成方法，该方法首先生成潜在语义分析，然后基于这些分析生成话语。与当前用于私有合成数据生成的方法相比，我们提出的方法将 MAUVE 提高了 2.5 倍，将解析树函数类型重叠率提高了 1.3 倍，在流畅性和语义覆盖率上均有所改善。我们进一步在一个现实的自适应任务上验证了我们的方法，该任务是将来自私有用户数据的新功能添加到语义分析器中，并表明使用新功能后准确率总体提升了 8.5 个百分点。
引用
@article{arxiv.2212.10520,
title = {Privacy-Preserving Domain Adaptation of Semantic Parsers},
author = {Fatemehsadat Mireshghallah and Yu Su and Tatsunori Hashimoto and Jason Eisner and Richard Shin},
journal= {arXiv preprint arXiv:2212.10520},
year = {2023}
}
备注
ACL 2023