文本文档的深度开放分类
本文介绍了一种使用深度神经网络的增强开放式分类过程,通过对无类别数据进行聚类识别新类别并重新训练分类器从而将模型转移到增量学习模型。多次实验均表明该模型的优秀性能。
Oct, 2019
本文提出一种元学习方法来解决开放世界学习中增量学习和未知类别拒绝的问题。该方法只需要训练一个元分类器,而不需要重新训练元分类器或一个新的分类器来涵盖所有老和新类别。实验证明了该方法的有效性。
Sep, 2018
本文提出了一种弱监督开放世界文本分类的框架 WOT-Class,其中通过迭代聚类、挖掘和排名象征性单词以及使用重叠的象征性单词作为桥梁来合并冗余类别,可实现有限的监督训练遍及可知和未知类别,并在 7 个流行的文本分类数据集上进行了广泛实验,表明 WOT-Class 具有比现有方法更好的性能和实用潜力。
May, 2023
该论文研究开放世界分类问题,提出一种联合开放分类模型,该模型可以通过远距离测量函数识别未知类别的被拒绝的测试样本,并应用于聚类分析中,从而实现对未知类别的识别。
Jan, 2018
本文介绍了一种多模态神经网络,结合了 OCR 提取的文本和图像信息,来对文献图像进行分类。该方法在 Tobacco3482 和 RVL-CDIP 数据集上的准确率提高了 3%。
Jul, 2019
综合研究开放环境下机器学习的未知拒绝、新类别发现和类别自适应学习等方面,探讨了当前方法的挑战、原则和限制,以及未来研究的潜在方向。旨在全面介绍新兴的开放环境机器学习范式,帮助研究人员在各自领域构建更强大的人工智能系统,并促进人工通用智能的发展。
Mar, 2024
本论文综述了自 1961 年至 2021 年期间文本分类领域的研究成果,包括传统方法和深度学习方法,提出了特征提取和分类技术的分类法,并对各个分类进行了详细的介绍,同时比较了不同方法之间的优缺点和各种评价指标,对未来的研究方向和面临的挑战进行了概述。
Aug, 2020
该文提出了一种名为 OpenNCD 的新的半监督开放世界的未知类别发现方法,它是一种在多个原型上进行的渐进式双层对比学习方法,该方法由两个相互增强的部分组成。首先,介绍了一种双层对比学习方法,然后提出了一个可靠的原型相似度度量方法。对三个图像数据集进行了广泛的实验,结果表明该方法在开放世界的情况下特别有效,特别是在已知类别和标签稀缺的情况下。
May, 2023