arXiv cs.AI· Nafiseh Ghoroghchian, Luis Scoccola, Tina Sedaghat, Omid Vaheb, Hannah Chen, Dino D'Agostino, Keyvan Golestan·· 9 天前AI 评分22
表格数据上的对话式任务消歧：泄漏感知建模、基准套件与训练
Conversational Task Disambiguation over Tabular Data: Leakage-Aware Formulation, Benchmark Suite, and Training
AI 导读
研究者提出"歧义可验证任务"框架，将智能体拆分为提问策略与求解策略，环境拆分为 oracle 与 verifier，从而把任务消歧与方案生成分开评估，并给出 oracle 泄漏的形式化定义与免评判泄漏诊断方法。
正文 · AI 翻译
摘要：基于表格数据的对话式任务消歧通过对话来解决用户意图任务中缺失的信息，然后再在表格或数据库上生成解决方案。现有的评估和训练缺乏一种考虑泄漏的基础。任务成功混合了智能体的消歧能力和解决方案生成能力，还可能反映预言机泄漏，即用户模拟器透露了超出真实用户会提供的信息。现有数据集也缺乏对歧义和访问边界的共享表示。我们引入了歧义可验证任务的概念，它将歧义和消解形式化，将智能体分解为提问策略和解决方案策略，并将环境分解为预言机和验证器。该框架提供了将任务消歧与解决方案生成分开评估的基线和指标、预言机泄漏的形式化定义、无需评判者的泄漏诊断，以及提问策略的训练目标。我们在文本到 SQL 中实例化了该框架，即 AmbiTab，一个基准套件，它在指定智能体、预言机和验证器可访问内容的共同表示下统一了六个歧义数据集。我们评估了澄清策略和预言机泄漏，并用强化学习训练了一个提问策略。训练后的提问者在所有六个数据集上提升了我们的消歧指标，并在五个数据集上提升了任务成功率，我们的泄漏诊断衡量了训练如何影响预言机泄漏。
| 评论： | 39 页（9 页正文，30 页附录），12 幅图（5 幅正文，7 幅附录） |
| 主题： | 机器学习（cs.LG）；人工智能（cs.AI）；计算与语言（cs.CL） |
| 引用为： | arXiv:2610.10740 [cs.LG] |
| （或 arXiv:2610.10740v1 [cs.LG] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2610.10740 arXiv 颁发的 DOI，经由 DataCite（待注册） |
提交历史
来自：Nafiseh Ghoroghchian [查看电子邮件]
[v1]
2026 年 10 月 7 日星期三 18:09:55 UTC（404 KB）
来源：arXiv cs.AI · arxiv.org