EMNLPSep, 2019

序列标注领域适应的细粒度知识融合

PDF
TL;DR本研究提出一种细粒度知识融合模型，通过领域关联建模来控制从目标域数据学习和从源域模型学习之间的平衡，以解决序列标注中多级领域相关性差异的问题，实验结果表明，这种模型在三种序列标注任务中表现优异。
sequence labelingdomain adaptationmulti-level domain relevanceknowledge fusiontarget domain data
发现论文，激发创造
  • 基于远程监督迭代训练的粗到细的知识图谱领域适应

    本文针对现代深度学习神经网络模型需要大量手动标注数据以及从大量文本数据中构建领域特定知识图谱的困难问题，提出一个将知识图谱自适应和重新学习应用于不需要手动注释训练数据的领域适应性构建的综合框架，并引入了一种新的迭代训练策略来促进领域特定命名实体和三元组的发现和抽取，实验结果表明，该框架可以有效执行领域适应和构建知识图谱的任务。

    Nov, 2022

  • 基于交叉注意力的前馈无源隐空域自适应

    本文研究深度学习中前馈源自适应的应用及其改进，通过交叉关注机制自适应目标数据集，探索自动化实例选取提升性能，实验表明我们提出的框架能显著改进现有方法。

    Jul, 2022

  • 序列标注的多任务领域自适应

    本文提出了一种支持多任务领域自适应的神经网络框架，并应用于中文分词和命名实体识别两个任务的领域自适应。实验结果表明，该框架比独立的领域自适应方法在两个任务上都获得更好的结果，并在社交媒体领域达到了最先进的水平。

    Aug, 2016

  • 野外环境下的细粒度识别：一种多任务域自适应方法

    本研究探讨了细粒度领域适应的概念并提出了基于属性的多任务适应损失来解决现有细粒度目标识别模型无法准确分类野外图像的问题，通过在一组新的细粒度数据集上的实验证明了该算法可以显著提高准确性。

    Sep, 2017

  • 知识适应：教授如何适应

    本研究提出一种基于知识蒸馏的领域自适应技术，针对多源无监督情感分析数据集，在考虑多个教师及其领域专业性的基础上，实现了最优结果，并提出一种可信度度量方法，用于选择高置信度示例及解决单一源情况下的领域适应问题。

    Feb, 2017

  • 局部保留联合转移域自适应

    本研究提出了一种新方法，可以利用特征适应、分布匹配和样本适应，同时考虑样本之间的本地一致性，以保持样本的流形结构。通过学习领域特定的投影，我们的方法适用于同质和异质域适应，并且在包括标准和大规模数据集的五个基准测试上得到了显着的优化。此外，我们还证明了可以通过异质适应来促进深度特征上的准确性。

    Jun, 2019

  • 多目标偏移源数据聚合

    本文提出了一种采用语义条件分布相似性来聚合多源领域的方法，同时在三种常用的场景下选择相关源的框架，并通过实验验证了该方法的有效性。

    May, 2021

  • DomainInv: 对于 QA 领域适应性的领域不变微调和对抗标签校正

    本研究提出了一种无监督域自适应方法，采用 Fine Tuning 和 Adversarial Label Correction，将目标领域的表示从源领域传递到靠近源领域，以此最小化目标领域实例和源实例之间的距离，并在多个目标 QA 数据集上得出了性能提升。

    May, 2023

  • 文本独立取证发言人识别的多源领域自适应

    本研究提出了基于领域对抗训练、差异最小化和矩匹配方法的三种新的自适应方法，以在多个声学领域中进一步提高自适应性能。实验表明，多种声学环境确实会影响讲话者识别性能，并且领域对抗训练、差异最小化和矩匹配自适应都能在多个声学领域中同时实现有效性能。

    Nov, 2022

  • 现实世界域泛化的自适应方法

    本论文提出了基于领域自适应的方法，将无监督训练样本中的领域信息作为辅助信息，采用学习的鉴别性领域嵌入构建领域自适应模型，用于即使在未见过领域上的预测任务。该方法在各种领域泛化基准上均实现了最先进的性能，并引入了首个现实世界的大规模领域泛化基准 Geo-YFCC，相对于现有的方法，该基于领域自适应的方法在该数据集上实现了显着的优化。

    Mar, 2021