UNO-DST：在零样本对话状态跟踪中利用无标签数据
计算与语言
2024-04-04 v2
摘要
以往的零样本对话状态跟踪（DST）方法仅采用迁移学习，忽略了目标域中的无标签数据。我们通过联合与自训练方法利用此类无标签数据，将零样本DST转化为少样本DST。我们的方法引入辅助任务，将槽类型生成为对主任务的逆提示，在联合训练中创建槽值。两任务间的循环一致性使得在未知目标域中生成并筛选高质量样本以用于后续微调。该方法也促进了自动标签的创建，从而优化DST模型的训练与微调。我们在零样本场景下基于通用语言模型证明了该方法的有效性，在MultiWOZ所有域上将平均联合目标准确率提升了8%。
引用
@article{arxiv.2310.10492,
title = {UNO-DST: Leveraging Unlabelled Data in Zero-Shot Dialogue State Tracking},
author = {Chuang Li and Yan Zhang and Min-Yen Kan and Haizhou Li},
journal= {arXiv preprint arXiv:2310.10492},
year = {2024}
}
备注
Accepted to Findings of NAACL 2024