【直播预告】SFFAI 117 对话系统专题

面向目标对话系统中的槽填充任务旨在识别特定领域中与任务相关的槽类型，以理解用户话语。零资源槽填充可以有效地解决目标域缺乏标注数据的难题，然而现有的方法通常忽略了槽值表示与槽类型表示之间的语义关联，并缺乏足够的鲁棒性。本期我们邀请到了来自北京邮电大学的何可清同学，分享其提出的跨域槽填充新方法，解决此类问题。

讲者介绍

何可清，北京邮电大学模式识别实验室研究生，现为美团NLP中心对话平台组算法工程师，主要研究方向为任务型对话系统，包括对话理解、对话决策以及对话摘要，在ACL、EMNLP、COLING、NAACL上发表多篇论文。

会议题目

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

会议摘要

在本文中，针对于跨域槽填充任务，我们提出了一种基于对比零资源学习和对抗攻击的方法CZSL-Adv，其中对比学习试图建模槽值的上下文表示与槽类型表示之间的语义相关性，对抗攻击则有助于提升模型的鲁棒性。实验表明本文提出的方法在低资源和零资源两种设置下都显著地优于之前的基线模型。

论文标题：Contrastive Zero-Shot Learning for Cross-Domain Slot Filling with Adversarial Attack

在线阅读：https://bbs.sffai.com/d/268-contrastive-zero-shot-learning-for-cross-domain-slot-filling-with-adversarial

会议亮点

1、本文提出了一种显式建模槽值与槽类型关系的对比学习方法，可以拉近槽值与其对应的槽类型，推远其他的槽类型，这有助于模型学习到更好的槽位上下文表征。

2、本文提出了一种对抗攻击的训练策略来有效提升模型的鲁棒性，通过在隐空间内生成扰动样本来达到数据增强的效果；

3、本文提出的方法在跨域槽填充任务上取得了很好地效果。

直播时间

2021年8月8日（周日）20:00—21:00 线上直播

关注微信公众号：人工智能前沿讲习，对话框回复“SFFAI117”，获取入群二维码

注：直播地址会分享在交流群内

现代科学技术高度社会化，在科学理论与技术方法上更加趋向综合与统一，为了满足人工智能不同领域研究者相互交流、彼此启发的需求，我们发起了SFFAI这个公益活动。SFFAI每周举行一期线下活动，邀请一线科研人员分享、讨论人工智能各个领域的前沿思想和最新成果，使专注于各个细分领域的研究者开拓视野、触类旁通。

SFFAI目前主要关注机器学习、计算机视觉、自然语言处理等各个人工智能垂直领域及交叉领域的前沿进展，将对线下讨论的内容进行线上传播，使后来者少踩坑，也为讲者塑造个人影响力。SFFAI还在构建人工智能领域的知识森林—AI Knowledge Forest，通过汇总各位参与者贡献的领域知识，沉淀线下分享的前沿精华，使AI Knowledge Tree枝繁叶茂，为人工智能社区做出贡献，欢迎大家关注SFFAI论坛：https://bbs.sffai.com。