Key points are not available for this paper at this time.
엔드 투 엔드 구어 이해(SLU) 시스템은 기존의 파이프라인 시스템에 비해 많은 장점이 있지만, 엔드 투 엔드 시스템을 훈련하기 위해 도메인 내 음성 데이터를 수집하는 것은 비용이 많이 들고 시간도 오래 걸립니다. 여기서 제기되는 질문은 다음과 같습니다: 제한된 양의 데이터로 엔드 투 엔드 SLU를 어떻게 훈련할 수 있을까요? 많은 연구자들이 고자원 음성 인식에서 모델의 일부를 사전 훈련하는 방식으로 다른 관련 데이터 자원을 활용하는 접근법을 탐구해 왔습니다. 이 논문에서는 비표준 학습 알고리즘인 Reptile을 사용하여 SLU 모델의 일반화 성능을 개선할 것을 제안합니다. Reptile은 처음에 모델 비의존 메타 학습을 위해 제안되었지만, 우리는 그것이 목표 작업을 직접 학습하는 데에도 사용될 수 있으며 기존의 경량 하강법보다 더 나은 일반화를 이룰 수 있다고 주장합니다. 이 연구에서는 엔드 투 엔드 구어 의도 분류 작업에 Reptile을 적용합니다. 서로 다른 언어와 도메인에서 네 가지 데이터 세트에 대한 실험은 Reptile을 단독으로 사용할 때와 사전 훈련과 함께 사용할 때 모두 의도 예측 정확도가 향상되었음을 보여줍니다.
Tian et al. (Sun,)이 이 질문을 연구했습니다.