Mar, 2020

基于注意力图神经网络的多标签文本分类

PDF
TL;DR本文介绍了一种基于图注意力网络的模型，用于捕捉标签之间的关注依赖结构。该模型使用特征矩阵和相关矩阵来探索标签之间的关系，并生成可用于端到端训练的分类器。该模型在 5 个真实的多标签文本分类数据集上表现出与先前的最先进模型相似或更好的性能。
发现论文，激发创造
  • KeNet: 知识增强的 Doc-Label 注意力网络用于多标签文本分类

    提出一种名为 Knowledge-enhanced Doc-Label Attention Network (KeNet) 的新方法，通过综合的文档、知识和标签表示来预测每个文本的所有标签，并在多个多标签数据集上进行了综合验证，实验证明我们的方法优于现有的多标签文本分类方法。

    Mar, 2024

  • 利用多任务学习增强多标签文本分类中的标签相关反馈

    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

  • 面向大规模多标签文本分类的层次化分类感知及关注图胶囊 RCNNs

    我们提出了一种新的层级分类感知和注意图胶囊递归卷积神经网络框架，以实现大规模多标签文本分类。

    Jun, 2019

  • 多标签文本分类中用平衡更新和集体损失替代数据注释

    通过使用预训练语言模型，在低监督情况下有效提高多标签文本分类性能的方法。

    Sep, 2023

  • 图注意力回顾

    本文针对图神经网络进行多个实验，并研究其在节点分类问题中的理论表现。研究结果指出，图注意力机制可以区分类内和类间边缘，重要边的权重得以保留，进而实现完美的节点分类。

    Feb, 2022

  • 面向多标签文本分类的标签依赖感知集预测网络

    通过构建邻接矩阵及应用 GCN 模型对标签进行建模，从而解决多标签文本分类中标签的序列乱序问题，并利用集合预测网络同时使用句子信息和标签信息进行分类。此外，使用巴氏距离对输出概率分布进行约束，提高了召回能力。实验证明，该方法在多个数据集上表现优异，胜过之前的方法。

    Apr, 2023

  • 一种深度强化序列到集合模型用于多标签文本分类

    本文提出了一种利用深度强化学习的新型序列到集合框架，不仅可以捕捉标签之间的关联性，而且还可以减少对标签顺序的依赖，实验结果表明我们提出的方法明显优于竞争基线。

    Sep, 2018

  • 通过因果关系的角度准确利用标签依赖进行多标签文本分类

    使用反事实文本分类器（CFTC）通过阻止相关性偏见来消除标签依赖引起的预测偏见。实验证明，我们的 CFTC 在数据集上明显优于基准模型并有效消除了相关性偏见。

    Oct, 2023

  • 基于图注意力网络探索多个面部属性的相关性

    本文提出一种基于多任务学习和图注意力层的人脸多属性识别方法，通过对属性关系的挖掘来提高 CelebA 和 LFWA 数据集上的识别准确率。

    Oct, 2018

  • 大规模多标签文本分类的实证研究，包括少量和零样本标签

    本研究在多个数据集上评估了多种 Large-scale Multi-label Text Classification 方法，发现基于概率标签树的层次分类方法优于 Label-Wise Attention Networks。另外，结合 Transformer 的方法在两个数据集上实现了优秀的性能，同时提出了一种新的最先进的方法，将 BERT 与 LWANs 相结合。此外，还引入了图形感知注释接近度度量，提出了利用标签层次结构来改进少量和零 - shot 学习的新模型。

    Oct, 2020