Multi-Domain Response Generation Using Memory-Replay Continual Learning

Hyeong-Jun Park; Choong Seon Hong; Seong-Bae Park; Hyun-Je Song

doi:10.5626/KTCP.2022.28.3.153

Multi-Domain Response Generation Using Memory-Replay Continual Learning

Recommendations

Search

Questions

기억재현 지속학습을 활용한 다중 도메인 응답 생성

Type: Academic journal

Author: Hyeong-Jun Park (경희대학교) Choong Seon Hong (경희대학교) Seong-Bae Park (경희대학교) Hyun-Je Song (전북대학교)

Journal: Korean Institute of Information Scientists and Engineers KIISE Transactions on Computing Practices Vol.28 No.3 KCI Accredited Journals

Published: 2022.3

Pages: 153 - 159 (7page)

DOI: 10.5626/KTCP.2022.28.3.153

Usage

📌

Topic

📖

Background

🔬

Method

🏆

Result

Multi-Domain Response Generation Using Memory-Replay Continual Learning

Abstract· Keywords

Report Errors

Multi-domain response generation is the task of generating responses to utterances that cover more than one domain. As the number of domains increases, multi-domain response generation must be able to respond appropriately to newly added domains as well as previously learned domains. However, previous studies based on fine-tuning with a new domain dataset have a problem that involves an inadequate response generation to pre-learned domains or a generation of domain-independent general responses. To solve this problem, the proposed model adopts a memory-replay continual learning to evolve a single-domain response generator to a multi-domain response generator. The model first learns a specific domain and retains some training instances in this domain for the next step. Then, the model is trained again with training instances for a new domain as well as the remaining instances. Since the remaining instances should represent the previous domains, the proposed method selects representative instances using clustering specialized to response generation. Through intensive experiments, the proposed method outperforms the baselines.

다중 도메인 응답 생성은 하나 이상의 도메인에 대해 입력되는 발화에 응답을 생성하는 문제이다. 여러 도메인을 대응해야 하는 환경에서 다중 도메인 응답 생성은 기존에 학습된 도메인뿐만 아니라 새로이 추가되는 도메인에 대해서도 적절히 응답할 수 있어야 한다. 기존 연구들은 기학습된 응답 생성모델에 새로이 추가되는 도메인의 데이터로 미세 조정하였다. 하지만, 위 방법들은 기학습된 도메인에 대해 적절히 응답을 생성하지 못하거나 도메인과 무관한 일반적인 대답을 생성하는 문제가 있다. 본 논문에서는 기억재현 지속학습 기반 다중 도메인 응답 생성 모델을 구축하는 방법을 제안한다. 기억재현 지속학습 기반 응답 생성 모델은 이전 도메인 발화-응답 데이터 중 대표 데이터를 메모리에 저장해두고, 새로운 도메인의 데이터와 메모리에 저장된 데이터를 함께 활용하여 학습한다. 기학습된 도메인 중 일부분을 메모리에 저장 및 학습에 활용하여 새로운 도메인을 위해 모델을 갱신할지라도 도메인에 특화된 대답을 생성할 수 있다. 도메인에 특화된 대표 데이터를 생성하기 위해 본 논문에서는 k-평균 군집화를 활용한다. 실험에서 총 5개 도메인에 대해 순차적으로 학습하고 모든 도메인에 대해 응답을 제대로 생성하는지를 평가하였다. 실험 결과 제안한 응답 생성 모델이 모든 도메인에서 기존 비교 모델보다 우수한 성능을 보였다. 제안한 방법은 각 도메인별 성능 비교에서 비교 모델 대비 최대 4.45 BLEU 성능 향상을 얻었다. 뿐만 아니라 정성적 평가를 통해 제안한 방법이 비교 모델에 비해 도메인에 특화된 응답을 생성하는 것을 확인할 수 있었다.

#응답 생성 #다중 도메인 응답 생성 #기억재현 지속학습 #response generation #multi-domain response generation #memory-replay continual learning

요약
Abstract
1. 서론
2. 기억재현 지속학습 다중 도메인 응답 생성
3. 실험
4. 결과분석
5. 결론
References

References (13)

Add References

Lowe et al., "The Ubuntu Dialogue Corpus: A Large Dataset for Research in Unstructured Multi-Turn Dialogue Systems," Proc. of SIGDIAL, pp. 285-294, 2015.

Wen et al., "A Network-based End-to-End Trainable Task-oriented Dialogue System," Proc. of ACL, pp. 438-449, 2017.

Madotto et al., "Continual Learning in Task-Oriented Dialogue Systems," ArXiv, abs/2012.15504, 2020. Liu and Mazumder, "Lifelong and Continual Learning Dialogue Systems: Learning during Conversation," Proc. of AAAI, pp. 15058-15063, 2021.

McCloskey and Cohen, "Catastrophic Interference In Connectionist Networks: The Sequential Learning Problem," Psychology of learning and motivation, Academic Press, Vol. 24, pp. 109-165, 1989.

Recommendations

It is an article recommended by DBpia according to the article similarity. Check out the related articles!

Related Authors

HyeongJun Park

Affiliation 경희대학교

Fields Engineering > Computer Science Arts and Kinesiology > Kinesiology

Articles 9 Usage 528

홍충선

Affiliation 경희대학교

Fields Engineering > Computer Science

Articles 1 Usage 46

박성배

Affiliation 경희대학교

Fields Engineering > Computer Science TOP 1% Engineering > Electrical and Electronic Engineering > Information and Communication Engineering

Articles 175 Usage 14,577

송현제

Affiliation 전북대학교

Fields Engineering > Computer Science TOP 10% Engineering > Electrical and Electronic Engineering > Electrical Engineering

Articles 23 Usage 2,030

Frequently Viewed Together

Page Level Memory Tracing Scheme Using Software Exception Handling

Inhwi Hwang , Hwajung Kim , Jeongeun Lee and others 4 KIISE Transactions on Computing Practices 2022 .01

Android Malware Family Classification based on Weighted Majority Voting

Heejin Kim , Kyuho Kim , Ming Jin and others 1 KIISE Transactions on Computing Practices 2021 .02

Comments(0)

Write first comments.

구분	그룹	데이터 항목
AI 학습용 데이터	원문	원문 PDF 파일
AI 학습용 데이터	원문 + 메타 (기본/상세)	원문 PDF 파일 및 서지정보 CSV
대량 구매용 데이터	B2B 구독 방식	특정 자료 한정으로 원문 접근 권한 부여
대량 구매용 데이터	URL 전달 방식	바로 PDF 뷰어를 열람할 수 있는 URL 제공

구분	그룹	데이터 항목
AI 학습용 데이터	기본 메타	발행기관명, 간행물명, 권호명, 권(vol), 호(issue), 통권, 발행연도, 발행월, 논문명, 저자명, 시작페이지, 종료페이지, 전체페이지, 상세페이지URL
상세 메타 데이터	발행기관 메타	발행기관 이명, 영문명, 창립연도, 홈페이지URL, 발행기관 소개
	간행물 메타	부제목, 간행물 유형, ISSN, ISBN, 최초발행연도, 폐간연도, 간행빈도, 발행주기, 등재사항, 이용수, 피인용수, 권호수, 논문수, 표지이미지
	논문 메타	작성 언어, 부제목, 대등제목, 목차, 키워드, 초록, 이미지, 참고문헌, 이용수, 피인용수, 논문활용도, DBpia통합주제분류, KDC분류, DDC분류, 한국연구재단분류, UCI, DOI
	저자 메타	소속기관, 소속부서, 직급, 연구분야, 연구키워드, 이용수, 피인용수, 저자 논문활용도

구분	그룹	데이터 항목
※ 결합형/맞춤형 메타 데이터는 신청 내용에 따라 다양하게 제공 가능
이용순위 정보	주제분야별 많이 이용된 논문	“인문학”에서 많이 이용된 논문 TOP100
	이용기관별 많이 이용된 논문	“중고등학교”에서 많이 이용된 논문 TOP100
	세부기관별 많이 이용된 논문	“서울대학교”에서 많이 이용된 논문 TOP100
	키워드별 많이 이용된 논문	“Chat GPT”에서 많이 이용된 논문 TOP100
키워드 정보	많이 이용된 키워드	특정기간/분야/저널 내 많이 이용된 키워드
	많이 발행된 키워드	특정기간/분야/저널 내 많이 발행된 키워드
	많이 검색된 키워드	특정기간/분야/저널 내 많이 검색된 키워드
	연구 트렌드 키워드	특정 키워드 연관 연구동향 분석 데이터 키워드

논문 기본 정보

Abstract· Keywords

AI Summary

Topic

Background

Method

Result

주요내용

Contents

References (13)

Recommendations

Related Authors

Frequently Viewed Together

Recently viewed articles

Comments(0)