대화 시스템에서 오픈 인텐트 분류는 어려운 과제입니다. 한편으로는 알려진 인텐트의 식별 품질을 보장해야 하며, 다른 한편으로는 사전 지식 없이 오픈(알려지지 않은) 인텐트를 감지해야 합니다. 현재 모델들은 알려진 인텐트와 오픈 인텐트의 성능을 균형있게 유지하기 위한 적절한 결정 경계를 찾는 데 제한적입니다. 본 논문에서는 오픈 인텐트 분류를 위한 적응형 결정 경계(Adaptive Decision Boundary, ADB) 학습 후처리 방법을 제안합니다. 먼저, 라벨링된 알려진 인텐트 샘플을 사용하여 모델을事前訓練합니다(Pre-train). 그런 다음, 잘 훈련된 특징들을 활용하여 각 알려진 클래스에 대해 자동으로 적응형 구면 결정 경계를 학습합니다. 구체적으로, 경험적 위험과 오픈 공간 위험을 균형있게 유지하기 위한 새로운 손실 함수를 제안합니다. 우리의 방법은 오픈 인텐트 샘플이 필요하지 않으며, 모델 아키텍처 수정 없이도 적용할 수 있습니다. 또한, 우리의 접근 방식은 라벨링된 데이터가 적거나 알려진 인텐트가 적더라도 놀랍도록 민감하지 않습니다. 세 개의 벤치마크 데이터셋에 대한 광범위한 실험 결과, 우리의 방법이 최신 기법들보다 유의미한 개선 효과를 나타냈습니다. 코드는 https://github.com/thuiar/Adaptive-Decision-Boundary 에서 제공됩니다.注：在“事前訓練します(Pre-train)”部分，"事前" 是日语词汇，正确的韩语翻译应该是 "사전". 因此，正确的句子应该是：우리는 먼저 라벨링된 알려진 인텐트 샘플을 사용하여 모델을 사전 훈련합니다.