本研究介绍了一种使用多任务学习方式训练的分层模型,在一组精心选择的语义任务上取得了最新领先的结果,包括命名实体识别、实体提及检测和关系提取,无需手工设计特征或使用外部 NLP 工具,同时在模型的底层引入归纳偏差,促使模型产生共享语义表示。
Nov, 2018
采用标签 - 词汇联合嵌入法和注意力机制的词嵌入模型,用于文本分类并保持了词嵌入的可解释性,同时提供了利用其他信息的能力。在多个大型文本数据集上实验表明,该方法在准确率和速度方面均优于现有最先进方法。
May, 2018
通过研究 11 个序列标注任务中的三种多任务学习方法,我们发现在大约 50% 的情况下,联合学习所有 11 个任务可以改善独立学习或成对学习任务的效果。我们还展示了成对多任务学习可以告诉我们哪些任务可以互惠,哪些任务在联合学习时可以受益。我们的一种多任务学习方法产生的任务嵌入还揭示了语义任务和语法任务的自然聚类。我们的研究打开了在自然语言处理中进一步利用多任务学习的大门。
Aug, 2018
本文提出了一种基于 k 最近邻分类的替代方法,学习任务特定的文本嵌入表示方式,从而实现解释性和增量学习,而不影响分类准确性。
Nov, 2022
本论文结合多任务学习和半监督学习,通过在不同标签空间之间引入联合嵌入空间以及学习标签嵌入之间的转移函数,使得我们能够共同利用未标记数据和辅助的已标记数据集。我们在多个序列分类任务中评估了我们的方法,并且超过了强单任务和多任务基线,实现了新的基于主题的情感分析最新成果。
Feb, 2018
本文介绍了一种提供视觉分类任务向量表示的方法,该表示可用于推断任务及其关系的性质,并提供了独立于细节(如类标签语义的理解等)的任务的固定维度嵌入。我们还展示了该框架的实用价值以及通过学习嵌入度量来选择预训练特征提取器的简单元学习框架。选择具有任务嵌入的特征提取器可获得接近最佳特征提取器的性能,而成本则显著低于对所有可用特征提取器进行详尽的训练和评估。
Feb, 2019
本文提出了基于多任务学习框架的神经网络方法,采用循环神经网络来建模具有特定任务和共享层的文本,并在四个基准文本分类任务的实验中显示出该方法可以提高其他相关任务的性能。
May, 2016
本文介绍了一种新颖的学习方法,用于关系分类的单词嵌入训练,并使用无标注语料库上的词汇关系特定特征预测名词对之间的单词,以将关系特定信息显式地纳入单词嵌入中。通过使用所学习的单词嵌入来构建特征向量,用于关系分类模型。在一个基于语义关系分类任务中,我们的方法表现显著优于基于之前介绍的单词嵌入方法的基准线,并与使用句法信息或手动构造的外部资源的先前最先进的模型相比,表现出了比较良好的结果。
Feb, 2015
通过引入多任务学习和标签相关性反馈机制来增强标签相关性学习,其中采用文档 - 标签交叉注意力机制来生成一个更具有区分度的文档表示,以及两个辅助标签共现预测任务来增强标签相关性学习,实验结果表明,我们的方法在 AAPD 和 RCV1-V2 数据集上优于竞争性基线方法。
Jun, 2021
通过引入四种递归神经层实现多任务结构信息融合,对多个相关任务间的复杂互动进行建模,从而在文本分类任务中显著提升相关任务的性能。
Jul, 2017