ACLFeb, 2021

多域文本分类的条件对抗网络

PDF
TL;DR本文提出了条件对抗网络 (CANs) 框架，旨在探索共享特征和标签预测之间的关系，以对共享特征施加更多的可辨识性，用于多领域文本分类 (MDTC)。CAN 引入了一个条件域鉴别器，同时对共享特征表示和类别感知信息建模，采用熵条件保证共享特征的可转移性。我们提供了 CAN 框架的理论分析，证明 CAN 的目标等价于最小化共享特征和标签预测的多个联合分布之间的总发散。因此，CAN 是一个理论上良好的对抗网络，其可以判别多个分布。在两个 MDTC 基准测试上的评估结果表明，CAN 优于之前的方法。进一步的实验表明，CAN 具有将学习到的知识推广到未见领域的良好能力。
发现论文，激发创造
  • 条件对抗领域自适应

    该研究提出了条件对抗域适应的方法，通过两种新的调节策略，Multilinear 调节和 Entropy 调节，实现对不同领域的分类问题的对抗对齐，超过了五个数据集上的最新成果。

    May, 2017

  • 领域条件适应网络

    该论文提出了一种基于领域条件自适应网络（DCAN）的深度领域自适应模型，在卷积层之间引入了领域特定的通道激活机制和特征修正块，旨在解决源域和目标域数据分布的差异问题，实验结果表明，该模型在跨领域学习任务上表现优异。

    May, 2020

  • 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

  • 广义域条件自适应网络

    本文提出了一种基于多通路结构、利用领域专业特征进行自适应知识提取的域适应方法，通过添加特定领域的注意力机制探索低层次的领域特异性特征以及特定层次的知识适应块来提高适应性。

    Mar, 2021

  • 循环一致条件对抗迁移网络

    本文提出一种名为 3CATN 的方法，利用条件生成对抗网络和特征翻译实现跨域知识转移，解决了当前生成对抗模型中平衡挑战的致命弱点，并在大量实验中展现了当前最先进的表现。

    Sep, 2019

  • 无监督领域适应的对比适应网络

    本文章提出了一种基于对比适应性网络 (CAN) 的无监督域自适应方法来解决类别信息不足导致的领域差异偏差问题，并证明 CAN 在两个真实场景 Office-31 和 VisDA-2017 上表现优异，具有更好的特征鉴别能力。

    Jan, 2019

  • 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

  • 基于类别注意力网络的领域自适应深度情感分析

    本文提出了 CAN-CNN 模型，利用 Category Attention Network 和 Convolutional Neural Network 自动捕捉领域共享的情感词和领域特定的情感词，以改进领域适应的性能，并获得了比其他基线模型更好的结果。

    Dec, 2021

  • 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