Jan, 2021

多领域文本分类的 Mixup 正则化对抗网络

PDF
TL;DR本研究提出了一个名为 MRAN 的混合正则化对抗网络，通过引入领域和类别的混合正则化来增强共享潜在空间内在特征，并在训练实例之间强制执行一致的预测，以使学习到的特征更具领域内部不变性和区分性，实验结果表明对于 Amazon 评论数据集和 FDU-MTL 数据集分别获得了 87.64％和 89.0％的平均准确率，优于所有相关基线模型。
multi-domain text classificationadversarial trainingmixup regularized adversarial networkdomain-invariant feature extractionshared-private paradigm
发现论文，激发创造
  • 多域文本分类的 Co 正则化对抗学习

    本文提出了一种基于共正则化的对抗学习机制，用于多领域文本分类，通过构建两个不同的共享潜在空间，在其中进行每个 domain 的域对齐，并通过惩罚两个对齐在未标记数据上的预测不一致性来进行特征学习。同时，此方法还结合了虚拟对抗训练进行一致性正则化。实验表明该模型在两个 MDTC 基准测试上优于现有方法。

    Jan, 2022

  • 多项式对抗网络用于多领域文本分类

    本文提出一种多项式对抗网络（MAN）用于处理多域文本分类问题（MDTC）， MAN 学习在多个域上保持不变的特征，并通过减少每个域特征分布之间的差异来实现。MAN 在实验中取得了显著的性能提升，并且在无标签数据的域中达到了最先进的性能水平。

    Feb, 2018

  • 多域文本分类的双对抗协同学习

    本文提出了一种新颖的双对抗协同学习方法，用于多领域文本分类，该方法利用共享 - 私有网络进行特征提取，并在不同域和标签与未标签数据同时下采用双重对抗正则化来对齐特征，并旨在通过所学习的特征来提高分类器的泛化能力。我们在多领域情感分类数据集上进行了实验，结果表明所提出的方法达到了目前最先进的多领域文本分类性能。

    Sep, 2019

  • 多领域文本分类的正则化条件对齐

    我们提出了一种称为正则化条件对齐 (RCA) 的方法，通过对领域和类别的联合分布进行对齐，来匹配相同类别中的特征并增强获取的特征的判别能力，同时还利用熵最小化和虚拟对抗训练来限制未标记数据的预测不确定性并增强模型的鲁棒性。在两个基准数据集上的实证结果表明，我们的 RCA 方法优于最先进的多领域文本分类技术。

    Dec, 2023

  • 对抗领域适应的双 Mixup 正则化学习

    提出了一种基于双混合正则化学习（DMRL）的无监督域自适应方法，采用判别器辅助分类器训练，通过混合正则化促进模型对于样本和特征的分类和对于域变量的鲁棒性，实验结果表明该方法在四个域适应基准上实现了最先进结果。

    Jul, 2020

  • 使用 Mixup 训练改进无监督领域自适应

    本论文研究了无监督域适应问题，提出了使用 mixup 公式在领域之间强制应用训练约束，并引入特征级一致性正则化器来促进跨域约束，有条件混合和领域对抗学习，显著提高了图像分类和人类活动识别的重要任务的最新表现。

    Jan, 2020

  • 基于边缘差异的域间文本分类对抗训练

    多领域文本分类（MDTC）是利用相关领域的可用资源来提高目标领域的分类准确性。本研究提供了关于 MDTC 的理论分析，将其分解为多个领域适应任务，并以边缘差异作为领域差异的度量，建立了一个基于 Rademacher 复杂度的新的泛化界限，并提出了基于边缘差异的对抗训练（MDAT）方法以验证其有效性。实验证明，我们的 MDAT 方法在两个 MDTC 基准上超过了先前的方法。

    Mar, 2024

  • 多领域文本分类的随机对抗网络

    介绍了 Stochastic Adversarial Network (SAN)，通过引入多元高斯分布模型领域特定特征提取器的参数，与传统的权重向量不同，可生成许多领域特定特征提取器而不增加模型参数，同时结合域标签平滑和健壮的伪标签正则化以提高对抗训练的稳定性和特征区分能力，在两个主要的多领域文本分类基准测试上表现出竞争优势。

    May, 2024

  • 领域混合的对抗性领域自适应

    本研究提出在深度神经网络中结合域随机映射 (Domain Mixup) 的方法用于域自适应领域，研究表明该方法在如处理不同程度的域漂移和数据复杂度的任务中具有卓越的性能。

    Dec, 2019

  • 跨领域图像分类的多表示自适应网络

    该研究旨在解决图像分类中标签不足问题，通过多重表征适应模块和最大均值差异，提出了多重表征适应网络，能够通过跨域图像分类任务提高分类准确度。

    Jan, 2022