MARC

 008240612s2023      us  |||||||||||||||c||eng  d
■001000016934125
■00520240214101531
■006m          o    d                
■007cr#unu||||||||
■020    ▼a9798380144582
■035    ▼a(MiAaPQ)AAI30571710
■040    ▼aMiAaPQ▼cMiAaPQ
■0820  ▼a004
■1001  ▼aGupta,  Prakhar.
■24510▼aImproving  Reliability  in  Dialogue  Systems▼h[electronic  resource]
■260    ▼a[S.l.]:▼bCarnegie  Mellon  University.  ▼c2023
■260  1▼aAnn  Arbor  :▼bProQuest  Dissertations  &  Theses,  ▼c2023
■300    ▼a1  online  resource(196  p.)
■500    ▼aSource:  Dissertations  Abstracts  International,  Volume:  85-02,  Section:  B.
■500    ▼aAdvisor:  Bigham,  Jeffrey  P.  .
■5021  ▼aThesis  (Ph.D.)--Carnegie  Mellon  University,  2023.
■506    ▼aThis  item  must  not  be  sold  to  any  third  party  vendors.
■520    ▼aDialogue  systems  have  undergone  significant  advancements  by  leveraging  large  public  corpora  and  advancements  in  neural  architectures.  Thanks  to  large  pre-trained  language  models  and  recent  developments  in  neural  networks,  dialogue  generation  systems  are  now  capable  of  producing  fluent  and  engaging  responses  across  various  dialogue  contexts.  However,  black-box  nature  and  heightened  complexity  of  end-to-end  neural  dialogue  models  make  them  susceptible  to  unknown  failure  modes  that  often  emerge  only  after  deployment.  To  improve  the  reliability  of  neural  dialogue  models  for  practical  applications,  several  challenges  need  to  be  addressed.  Firstly,  creating  robust  and  bias-free  evaluation  and  ranking  models  for  dialogue  is  a  not  straight-forward  as  it  requires  careful  consideration  of  various  factors  such  as  context,  coherence,  relevance,  and  user  satisfaction.  Secondly,  controlling  the  outputs  of  dialogue  response  generation  models  to  align  with  developers'  intended  goals  presents  a  challenge.  Current  approaches  often  lack  the  necessary  flexibility,  intuitiveness,  interpretability,  and  data-efficiency  to  enable  fine-grained  control  over  the  generated  responses.  Lastly,  enhancing  safety  measures  is  crucial  to  ensure  that  dialogue  systems  do  not  generate  offensive  or  factually  incorrect  responses,  thereby  avoiding  unintended  harm  to  users.This  thesis  addresses  the  challenges  in  enhancing  the  reliability  of  neural  dialogue  models  by  introducing  novel  techniques  for  robust  evaluation  and  providing  finer,  more  intuitive  control  over  the  response  generation  process.  The  thesis  comprises  two  main  parts  that  tackle  these  challenges.  The  first  part  focuses  on  the  development  of  techniques  for  creating  robust  dialogue  response  evaluation  and  ranking  algorithms.  These  techniques  utilize  multiple  references,  automatically  generated  adversarial  responses,  and  improved  benchmarking  methods  for  assessing  factuality.  By  incorporating  these  approaches,  the  thesis  aims  to  establish  more  reliable  and  comprehensive  evaluation  metrics  for  dialogue  systems,  ensuring  a  more  accurate  assessment  of  their  performance.  The  second  part  of  the  thesis  proposes  techniques  to  empower  developers  with  flexible,  intuitive,  and  interpretable  means  of  controlling  the  generation  process.  This  includes  the  utilization  of  templates,  examples,  instructions,  and  guidelines  to  guide  the  system  towards  generating  responses  that  align  with  specific  tasks  and  developer  intent.  Additionally,  this  part  introduces  safety  mechanisms  designed  to  prevent  misuse  and  harm  to  users.  These  safety  mechanisms  utilize  natural  language  instructions  and  guidelines  to  ensure  responsible  and  ethical  behavior  of  the  dialogue  systems.
■590    ▼aSchool  code:  0041.
■650  4▼aComputer  science.
■653    ▼aChatbots
■653    ▼aConversational  agents
■653    ▼aDialogue  systems
■653    ▼aRanking  algorithms
■653    ▼aNeural  architectures
■690    ▼a0800
■690    ▼a0984
■71020▼aCarnegie  Mellon  University▼bLanguage  Technologies  Institute.
■7730  ▼tDissertations  Abstracts  International▼g85-02B.
■773    ▼tDissertation  Abstract  International
■790    ▼a0041
■791    ▼aPh.D.
■792    ▼a2023
■793    ▼aEnglish
■85640▼uhttp://www.riss.kr/pdu/ddodLink.do?id=T16934125▼nKERIS▼z이  자료의  원문은  한국교육학술정보원에서  제공합니다.
■980    ▼a202402▼f2024

미리보기

내보내기

chatGPT토론

Ai 추천 관련 도서