AAAIAug, 2013

探索无标签数据在金融情感分析中的贡献

PDF
TL;DR该研究论文讨论了如何在文本分类中使用半监督学习作为解决标注数据少的问题的有效方法，它通过从偏差和方差的角度分析，得出了如果使用更加有效的特征选择方法，无标注数据很有可能提高分类性能，并提出了一个特征选择框架以平衡有标注和无标注样本的训练。同时，研究还将该方法应用到金融情感分析中，并讨论了该方法对文本分类和金融情感分析的影响。
发现论文，激发创造
  • 利用已标记和未标记数据进行学习：技术和领域的实证研究

    本文对多种半监督学习技术在不同数据集上进行实证研究，探讨标记数据和未标记数据的独立性、相关性、数量和噪声对学习效果的影响，同时针对样本选择偏差实现双变量 Probit 技术进行校正。

    Sep, 2011

  • 自然语言处理的半监督分类

    本研究探讨了半监督分类在自然语言处理任务（如分析、生物医学信息处理、文本分类和摘要）中的可能性、成就以及复杂性和限制。

    Sep, 2014

  • 在未标记数据存在的情况下预测存活结果

    探讨在临床研究中是否可以利用未标记数据的信息来提高预测患者生存时间的准确性，并提出了三种解决方案。结果表明，半监督的方法通常可以获得最好的结果，相比于不使用未标记数据，可以实现高水平的预测性能改进。

    Oct, 2022

  • 基于正类和未标记数据分类的半监督分类

    本文提出一种新的半监督分类方法，通过将无标签数据引入到分类模型中，使模型的下降边界可以与无标签数据的数量成比例而不需要假设簇的条件。经过实验证明这种方法的有效性。

    May, 2016

  • 自我训练效果预测：情感分类应用

    本研究旨在探讨自我训练所获得的性能提升与此方法中使用语料库之间的相似性之间的联系，并指出，语料库相似性可用于识别自我训练能够提高性能的配置。结果可促进分类器的自适应发展。

    Jan, 2016

  • 深度主动学习反思：在模型训练中利用未标记数据

    该研究提出了在主动学习的过程中既利用有标签的数据，也利用无标签的数据进行模型训练的方法，并使用了无监督特征学习和半监督学习的技术，研究表明使用无标签数据进行模型训练在图像分类任务中可以带来比不同获取策略更高的准确度，因此可以得到更小的标签预算。

    Nov, 2019

  • NLP-LTU 在 SemEval-2023 任务 10 中：数据增强和半监督学习技术对不平衡数据集上文本分类性能的影响

    本文提出了一种在社交媒体帖子中检测和分类在线性别歧视的方法，使用了 BERTweet、RoBERTa 和 DeBERTa 等 fine-tuned transformer-based 模型，并采用数据增强和半监督学习来改善模型的泛化能力和应对类别不平衡问题，在 SubtaskA 获得了 0.8613 的 F1 得分，排名第十。

    Apr, 2023

  • 基于大规模预训练的文本分类神经半监督学习

    本文研究了大规模语言模型预训练下半监督学习在文本分类任务中的应用及其效果，发现使用 U 集合（无监督数据）配合 D 集合（有监督数据）应用半监督学习策略可以在小样本数据集情况下达到高精度分类。

    Nov, 2020

  • 使用无标记数据与标记数据停止文本分类上的主动学习

    本文探讨了三种不同的数据源在确定何时终止有标注数据的主动学习过程中的优缺点，研究发现使用未标注数据的停止方法比使用已标注数据的方法更有效。

    Jan, 2019

  • 仅从相关关键词和未标记文档中学习

    本文提出了一个理论上有保证的学习框架，用于无标签文档的分类问题，该框架可以灵活选择模型，并且有效地优化了接收器操作特征曲线下的面积，并在基准数据集上展示了其有效性。

    Oct, 2019