본 논문은 전자상거래 분야에서의 소량 데이터 다중 모달 대화 의도 인식이라는 어려운 문제를 다룹니다. 기존 방법들은 주로 학습 후 기법을 통해 모델의 분류 능력을 향상시키는 데 초점을 맞췄지만, 본 논문에서는 소량 데이터 다중 모달 대화 의도 인식을 위한 학습이 두 가지 상호 연관된 작업을 포함하며, 다중 작업 학습에서 시소 효과를 유발한다는 것을 분석을 통해 밝힙니다. 이 현상은 학습 과정 중 가중치 행렬 업데이트의 중첩으로 인한 지식 간섭 때문입니다. 이러한 문제를 해결하기 위해, 본 논문에서는 지식 분리 시너지 학습(KDSL)을 제안합니다. KDSL은 작은 모델을 사용하여 지식을 해석 가능한 규칙으로 변환하고, 큰 모델의 학습 후 기법을 적용함으로써 문제를 완화합니다. 크고 작은 다중 모달 대규모 언어 모델 간의 예측 협업을 용이하게 함으로써, 본 연구는 상당한 성능 향상을 보여줍니다. 특히, 두 개의 실제 타오바오 데이터셋에서 최첨단 방법에 비해 온라인 가중 F1 점수가 6.37%와 6.28% 향상되는 뛰어난 결과를 달성하여 본 프레임워크의 효과를 검증했습니다.
