진행 상황
1. 전체 프로세스
[chien-Sheng et al., arXiv 2019]
- 대화를 인코더를 통해 인코딩한다.
- 인코딩된 대화와 슬롯으로 h 를 만들고, 이를 바탕으로 p_value 와 p_hist 를 생성하여 p_final 로 슬롯에 해당하는 value 를 찾는다.
- 대화와 슬롯으로 만들어진 h_j0 를 사용하여 p_hist 를 만들고, c_j0 를 통해 slot 의 value 를 사용할지 결정한다.
2. Definition (Terminology)
- UT = User Utterence
- RT = System Response
- Xt={(Ut−l,Rt−l),...(Ut,Rt)} = Utterance-Response pair
- D={D1,...,DN} = Domain
- S={S1,...,SM} = Slot
- Yjvalue = Value
- B={B1,...,BT} = Tuple
3. Utterance Encoder
[chien-Sheng et al., arXiv 2019]
- 논문에서는 Bi-directional GRU 사용 (어떤 종류의 Encoder로도 대체 가능)
- Input : Xt={(Ut−l,Rt−l),...(Ut,Rt)}
- 슬라이딩 윈도우처럼 l 값에 따라 t 번째 턴에는 t−l 부터 t까지의 대화쌍을 살펴봄
- 베이스라인 코드에서는 t 턴에는 처음부터 t 턴까지 대화를 모두 봄
- 더 구체적으로 말하자면, dialougue history 의 모든 단어를 concatenation 한 것
- demb 차원을 지님
- t 턴까지의 대화쌍에서 토큰들의 관계를 알 수 있다.
4. State Generator
[chien-Sheng et al., arXiv 2019]
- Bi-directional GRU decoder 사용
- t 턴까지의 대화 인코딩 h_t 에 대해 max_length (value 중 가장 토큰을 많이 가진 길이) 만큼 디코더로 디코딩 진행
- Copy mechanism을 통해 input dialougue의 정보를 활용하여 slot value를 generate
- 처음에는 도메인-슬롯의 임베딩 sum 을 입력으로 넣어주고 이를 통해 value 의 첫 토큰이 나온다. 다음으로는 이 토큰을 입력으로 넣어주고.. 계속하여 알맞는 value 를 뽑아낸다 (서울 + 롯데 + 호텔). 그러다 special token 이 나오면 value 생성을 그만한다.
- Pointer-Generator 방법 사용
- 위에서 생성된 h_dec_j0 로 p_vocab(대화와 슬롯을 봤을 때 vocab 에서는 어떤 단어와 유사한지), p_hist(대화와 슬롯을 봤을 때 이제까지의 대화 중에서는 어떤 단어와 유사한지) 를 구한다.
- Vocab의 분포와 dialogue history의 분포를 하나의 분포로 결합
- Pjkvocab는 Utterence Encoder에서 나타나는 (domain, slot) j번째, k번째 value 생성 차례의 vocab 확률 분포를 나타냄
- 여기서 E∈R∣V∣×dhdd를 나타내고, Trainable Embedding (vocab 개수 x dimension)
- Pjkhistory는 Utterence Encoder에서 나타나는 (domain, slot) j번째, k번째 value 생성 차례의 history 확률 분포를 나타냄
- 여기서 Ht는 Encode된 dialouge history를 나타냄
- Pjkfinal는 Pjkvocab,Pjkhistory의 Pjkgen,1−Pjkgen만큼의 확률분포를 곱해서 생성
[chien-Sheng et al., arXiv 2019]
- Slot Generator 에서 생성된 h_dec_j0 (대화와 슬롯의 관계 정보) 를 통해 p_history 를 만들고, 이를 사용해 c_j0(Context vecto) 를 만들 수 있다. Slot Gate는 Context vector로부터 slot의 존재 여부를 알아내는 역할을 수행
- PTR, DONTCARE, NONE 3가지 label로 출력
- PTR이 나오면 value를 Generate
- DONTCARE, NONE이 나오면 Ignore
Slot gate $G_{j}$는 다음 원소로 구성됨
- $W_{g}$ : 가중치
- $c_{j0}$ : Context vector (first decoder Hidden state)
6. Optimization
출처 : https://www.youtube.com/watch?v=nuclwoebdEM
L=αLg+βLv
결과
1. Few/Zero-shot 실험 셋팅
- Target Domain을 학습 데이터에서 제외
- 나머지 Source Domain의 데이터로 학습 후, Target Domain에 대한 성능 측정
- Few-Shot의 경우 Target Domain에 대한 아래 방법들로 1%의 Training data만 사용하여 학습
- Elastic Weight Consolidation (EWC)
- Gradient Episodic Memory (GEM)
- Naive Fine-tuning (Naive)
2. 실험 결과
[chien-Sheng et al., arXiv 2019]
평가
- 새로운 domain (unseen domain)에 대해 robust한 모델
- Pointer-Generator를 사용해 Open-Vocabulary 방법을 사용
- turn 마다 모든 슬롯 j 에 대해 value 를 생성하는 점이 비효율적임
참조