ACLApr, 2021

多轮新增类别增量式小样本文本分类：公式、数据集与系统

PDF
TL;DR研究了一种新的 NLP 任务：增量少样本文本分类，挑战是系统需要在不重新训练之前的类别示例的情况下轮换增量学习新类别，并在新类别下表现良好，同时不影响之前类别的分类，并在此基础上，提出了两种蕴含方法来解决这个问题，并公开了两个基准数据集。
text classificationnlpincremental few-shotentailment approachesbenchmark datasets
发现论文，激发创造
  • 利用三元组网络、数据增广和课程学习进行少样本文本分类

    本文研究采用数据增强的方式以应对有限数据的训练，探索其中的课程数据增强方法。研究结果表明，对于少样本、多分类文本分类任务，常见的数据增强技术能显著提高三元组网络的性能，而采取课程数据增强的方式可以进一步提升模型性能，并且可以保持对于数据扰动的鲁棒性。

    Mar, 2021

  • 图少样本类增量学习

    本研究探讨在图模型中实施分类增量学习的挑战性实际问题，提出了基于伪增量学习和分层注意力的图元学习框架，通过这些设计实验得出了该模型在图模型中表现出更好的增量学习效果。

    Dec, 2021

  • 少样本类增量学习

    该研究重点关注 CNN 模型在少数有标记样本的情况下如何对新类别进行增量式学习，并提出了基于神经气网络的知识表示和 TOpology-Preserving knowledge InCrementer (TOPIC) 框架来解决这一问题，实验结果表明该方法在几个数据集上优于当前最先进的类增量学习方法。

    Apr, 2020

  • 神经网络少样本文本分类的现实检验

    本文介绍了在 NLP 领域中使用头部计算机视觉模型的性能以及使用 transformers 后的表现，探讨了这些模型在意图识别任务中的应用情况，发现造成性能差异的因素为任务的类别数量，提出了一个简单的基线模型，所有实现的模型都会被公开。

    Jan, 2021

  • 走向开放式增量学习：快速发现新作者

    本文介绍了一种使用深度神经网络的增强开放式分类过程，通过对无类别数据进行聚类识别新类别并重新训练分类器从而将模型转移到增量学习模型。多次实验均表明该模型的优秀性能。

    Oct, 2019

  • 通过抽样多相任务进行少样本类增量学习

    本研究提出基于元学习的 LearnIng Multi-phase Incremental Tasks (LIMIT) 方法，合成假的 Few-shot Class-Incremental Learning 任务来建立分类特征空间，并基于 Transformer 构建校准模块，实现新类别的适应和对旧类别的防遗忘，该方法在多个数据集上实现了最好表现。

    Mar, 2022

  • 将语义知识融合应用于零样本文本分类

    本文提出了一个两阶段的框架，结合了数据扩充和特征扩充来解决零样本文本分类问题，同时将四种语义知识结构（词嵌入，类别描述，类层次结构和通用知识图谱）纳入到该框架中，实验结果表明，该框架的单独和联合两个阶段相比基线和最近的方法均获得了最佳的整体准确率。

    Mar, 2019

  • 明确学习和校准进行增量化通用少样本学习而无遗忘

    本论文提出了一个三阶段框架来解决 Few-shot 学习中的挑战，包括学习新类别，避免基类的灾难性遗忘以及横跨新基类的分类器校准，通过在图像和视频少样本分类的四个基准数据集上的实验证明该框架达到了最先进的结果。

    Aug, 2021

  • 文本中的语句检测：一种领域无关的少样本解决方案

    基于少样本学习的方法，以计算社会科学和网页内容分析为基础，实现对文本进行基于主张的分类，提供了一种可靠的方法来减少数据标注的需求。

    May, 2024

  • 少样本文本分类的归纳网络

    本文提出了一种基于归纳网络的元学习算法来实现少样本文本分类任务中的类别泛化，通过将动态路由算法与元学习相结合，学习出每个类别的泛化表示，并将其与新的查询样本进行比较，在英文情感分类和中文对话意图分类任务中验部，所获得的实验结果显示，该模型在泛化类别的表现上显著优于现有的最先进的方法。

    Feb, 2019