CM-Net: 말하는 언어 이해를 위한 새로운 협업 메모리 네트워크

말하기 언어 이해(SLU)는 일반적으로 의도 탐지(intent detection)와 슬롯 채우기(slot filling)라는 두 가지 주요 작업으로 구성되며, 기존 연구에서는 이 두 작업을 함께 모델링하는 것이 일반적이다. 그러나 대부분의 기존 모델은 슬롯과 의도 간의 공존 관계(co-occurrence relations)를 충분히 활용하지 못하여 성능의 잠재력을 제한받고 있다. 이러한 문제를 해결하기 위해 본 논문에서는 새로운 협업 메모리 네트워크(CM-Net)를 제안하며, 이는 잘 설계된 블록인 CM-블록을 기반으로 한다. CM-블록은 먼저 메모리에서 슬롯 특화 및 의도 특화된 특징을 협업 방식으로 추출한 후, 이러한 풍부화된 특징을 이용해 국소적 문맥 표현을 강화한다. 이를 바탕으로 시계열 정보 흐름을 통해 더 구체적인(슬롯 및 의도에 해당하는) 전반적인 발화 표현을 생성한다. 여러 개의 CM-블록을 쌓음으로써 CM-Net은 특정 메모리, 국소적 문맥, 그리고 전반적 발화 간에 정보를 번갈아 교환할 수 있으며, 이로 인해 상호 보완적으로 점진적으로 정보를 풍부하게 한다. 제안된 CM-Net은 두 가지 표준 벤치마크(ATIS 및 SNIPS)와 자체 수집한 코퍼스(CAIS)에서 평가되었으며, 실험 결과 CM-Net은 ATIS 및 SNIPS에서 대부분의 평가 기준에서 최신 기술(SOTA) 성능을 달성했으며, CAIS에서는 기준 모델보다 유의미하게 뛰어난 성능을 보였다. 또한 본 연구에서는 CAIS 데이터셋을 연구 공동체에 공개함으로써 추가적인 연구 기여를 제공하였다.