面向目標(biāo)對話系統(tǒng)中的槽填充任務(wù)旨在識別特定領(lǐng)域中與任務(wù)相關(guān)的槽類型，以理解用戶話語。零資源槽填充可以有效地解決目標(biāo)域缺乏標(biāo)注數(shù)據(jù)的難題，然而現(xiàn)有的方法通常忽略了槽值表示與槽類型表示之間的語義關(guān)聯(lián)，并缺乏足夠的魯棒性。本期我們邀請到了來自北京郵電大學(xué)的何可清同學(xué)，分享其提出的跨域槽填充新方法，解決此類問題。

講者介紹

何可清，北京郵電大學(xué)模式識別實(shí)驗(yàn)室研究生，現(xiàn)為美團(tuán)NLP中心對話平臺組算法工程師，主要研究方向?yàn)槿蝿?wù)型對話系統(tǒng)，包括對話理解、對話決策以及對話摘要，在ACL、EMNLP、COLING、NAACL上發(fā)表多篇論文。

會議題目

Contrastive Zero-Shot Learning for Cross-Domain Slot Filling with Adversarial Attack

會議摘要

在本文中，針對于跨域槽填充任務(wù)，我們提出了一種基于對比零資源學(xué)習(xí)和對抗攻擊的方法CZSL-Adv，其中對比學(xué)習(xí)試圖建模槽值的上下文表示與槽類型表示之間的語義相關(guān)性，對抗攻擊則有助于提升模型的魯棒性。實(shí)驗(yàn)表明本文提出的方法在低資源和零資源兩種設(shè)置下都顯著地優(yōu)于之前的基線模型。

論文標(biāo)題：Contrastive Zero-Shot Learning for Cross-Domain Slot Filling with Adversarial Attack

在線閱讀：https://bbs.sffai.com/d/268-contrastive-zero-shot-learning-for-cross-domain-slot-filling-with-adversarial

會議亮點(diǎn)

1、本文提出了一種顯式建模槽值與槽類型關(guān)系的對比學(xué)習(xí)方法，可以拉近槽值與其對應(yīng)的槽類型，推遠(yuǎn)其他的槽類型，這有助于模型學(xué)習(xí)到更好的槽位上下文表征。

2、本文提出了一種對抗攻擊的訓(xùn)練策略來有效提升模型的魯棒性，通過在隱空間內(nèi)生成擾動(dòng)樣本來達(dá)到數(shù)據(jù)增強(qiáng)的效果；

3、本文提出的方法在跨域槽填充任務(wù)上取得了很好地效果。

直播時(shí)間

2021年8月8日（周日）20:00—21:00 線上直播

關(guān)注微信公眾號：人工智能前沿講習(xí)，對話框回復(fù)“SFFAI117”，獲取入群二維碼

注：直播地址會分享在交流群內(nèi)

現(xiàn)代科學(xué)技術(shù)高度社會化，在科學(xué)理論與技術(shù)方法上更加趨向綜合與統(tǒng)一，為了滿足人工智能不同領(lǐng)域研究者相互交流、彼此啟發(fā)的需求，我們發(fā)起了SFFAI這個(gè)公益活動(dòng)。SFFAI每周舉行一期線下活動(dòng)，邀請一線科研人員分享、討論人工智能各個(gè)領(lǐng)域的前沿思想和最新成果，使專注于各個(gè)細(xì)分領(lǐng)域的研究者開拓視野、觸類旁通。

SFFAI目前主要關(guān)注機(jī)器學(xué)習(xí)、計(jì)算機(jī)視覺、自然語言處理等各個(gè)人工智能垂直領(lǐng)域及交叉領(lǐng)域的前沿進(jìn)展，將對線下討論的內(nèi)容進(jìn)行線上傳播，使后來者少踩坑，也為講者塑造個(gè)人影響力。SFFAI還在構(gòu)建人工智能領(lǐng)域的知識森林—AI Knowledge Forest，通過匯總各位參與者貢獻(xiàn)的領(lǐng)域知識，沉淀線下分享的前沿精華，使AI Knowledge Tree枝繁葉茂，為人工智能社區(qū)做出貢獻(xiàn)，歡迎大家關(guān)注SFFAI論壇：https://bbs.sffai.com。