MoPE: Mixture of Prefix Experts for Zero-Shot Dialogue State Tracking

简介

本文介绍了一种称为“零样本对话状态跟踪”的技术，它可以将已有的知识迁移到未知领域，从而减少新数据集注释的成本。然而，之前的零样本对话状态跟踪模型在领域迁移和部分预测方面存在问题。为了解决这些挑战，作者提出了一种称为“前缀专家混合（MoPE）”的方法，以建立不同领域中相似插槽之间的联系，从而增强模型在未知领域中的迁移性能。实验结果表明，MoPE-DST在MultiWOZ2.1和SGD上实现了57.13％和55.40％的联合目标准确性。
作者讲解

目前尚无作者解读视频，你可点击下方【许愿开讲】按钮，许愿作者开讲~
图表
解决问题

本文旨在解决零样本对话状态跟踪（DST）中的领域转移和部分预测问题，以降低注释新数据集的成本。
关键思路

本文提出了一种称为MoPE的方法，通过在不同领域中相似槽之间建立连接来增强模型在未见过的领域中的传递性能。
其它亮点

本文的实验结果表明，MoPE-DST在MultiWOZ2.1上实现了57.13％的联合目标准确度，在SGD上实现了55.40％的联合目标准确度。
相关研究

最近的相关研究包括：Zero-shot Learning for Dialogue Systems、A Survey of Dialogue State Tracking: Recent Advances and New Frontiers、A Dual-Attentional Memory Network for Bi-Directional Dialogue Context Representation Learning等。