Zespół badaczy zaproponował wieloklasterową metodę uczenia granic do wykrywania intencji poza zakresem systemu, którą testował na modelu all-MiniLM-L6-v2. Problem, który rozwiązuje ta praca, dotyczy dwóch istotnych ograniczeń dotychczasowych podejść: tradycyjne metody traktują detekcję out-of-scope jako wieloklasową klasyfikację, co powoduje spadek dokładności wraz ze wzrostem liczby znanych intencji, a metody oparte na dużych LLM-embedding wymagają znaczących zasobów obliczeniowych, utrudniając ich praktyczne wdrażanie.
Zaproponowana metoda zmienia paradygmat na klasyfikację jednoklasową, ucząc się granic embeddingów wygenerowanych przez MiniLM na podstawie danych treningowych. System następnie odrzuca wypowiedzi spoza domeny jako intencje out-of-scope. To podejście ma znaczącą zaletę - wykorzystuje lżejszy model MiniLM zamiast parametrów dużych LLM, co czyni rozwiązanie bardziej dostępnym dla praktycznego wdrażania w rzeczywistych systemach interakcji człowiek-maszyna.
Eksperymenty przeprowadzono na trzech publicznych zbiorach danych: CLINC150, StackOverflow oraz Banking77. Wyniki wykazały osiągnięcie nowego stanu sztuki w detekcji intencji out-of-scope w porównaniu z innymi metodami bazowymi. Badania ablacyjne potwierdziły, że model MiniLM jest lepiej dostosowany zarówno do proponowanego workflow, jak i do wymagań embeddingu wypowiedzi. Kod metody został udostępniony w materiałach uzupełniających.