KDDJun, 2022

使用对比学习增强标签的原型网络在多标签少样本方面分类检测上的应用

PDF
TL;DR本文提出了一种新的多标签少样本方面类别检测模型 - 标签增强原型网络 (LPNo)，利用标签描述作为辅助知识来学习更具有区分性的原型，结合对比学习和自适应多标签推理模块，同时解决了数据匮乏问题。实验表明，模型在三个数据集上均取得了最先进的性能。
multi-label aspect category detectionfew-shot learninglabel-enhanced prototypical networkcontrastive learningsentiment analysis
发现论文，激发创造
  • 利用原型网络结合句子级加权和标签增强进行少样本多标签方面类别检测

    本研究提出了一种用于多标签方面类别检测的原型网络，并引入了支持集的注意力机制，同时利用标签信息对噪声进行调节。实验证明，我们的方法在四种不同的情境下优于所有基准线。

    Sep, 2023

  • 多标签少样本学习用于方面类别检测

    该论文提出了基于原型网络的多标签少样本学习方法，引入两种有效的注意力机制并学习一个动态阈值，以实现情感分析中的方面类别检测任务，并在三个数据集上得到了显著的性能提升。

    May, 2021

  • LPN：语言引导原型网络用于小样本分类

    本文提出了一种基于语言引导的原型网络 (LPN)，通过引入语言模态和计算视觉特征向量之间的相似性，从而改进了少样本分类任务。实验结果表明，该方法在基准数据集上具有与最先进方法相当的竞争力。

    Jul, 2023

  • 多标签少样本方面类别检测的标签驱动去噪框架

    该研究论文提出了一种新的子任务：多标签少样本的方面类别检测，使用标签驱动的去噪框架解决了当前任务中存在的噪声问题，实验结果表明该框架的性能优于目前其他先进的方法。

    Oct, 2022

  • 无监督方面类别检测的自我增强多任务框架

    我们的工作致力于使用一小组种子词进行无监督的方面类别检测。我们提出了一个简单的框架，通过自动增强种子词的质量和选择高质量的句子进行训练，来缓解初始种子词质量和噪声对模型性能的影响。同时，我们对方面类别检测、方面术语提取和方面术语极性联合进行训练，以进一步提高性能。大量实验证明我们的框架在标准数据集上超过了强基准结果。

    Nov, 2023

  • ContrastNet：用于小样本文本分类的对比学习框架

    提出了一个名为 ContrastNet 的对比学习框架，来解决少样本文本分类问题中类间相似性引起的混淆和过拟合的问题。经实验证明该方法在 8 个少样本文本分类数据集上优于当前技术水平。

    May, 2023

  • 方面 - 类别情感分析的多实例多标签学习网络

    提出一种面向方面类别情感分析的多示例多标记学习网络（AC-MIMLLN），将句子视为袋子，单词视为实例，并将表示方面类别的单词作为关键实例。在三个公共数据集上的实验结果证明了 AC-MIMLLN 的有效性。

    Oct, 2020

  • 基于主题 - 注意力网络的方面类别检测

    通过基于注意力机制的深度神经网络方法，对餐厅方面的用户评论进行情感分析，并尝试将评论句子归为一组预定义的方面类别。在 SemEval 研讨会发布的两个餐厅领域数据集上，我们的方法表现优于现有的方法，并可视化主题注意权重来展示模型识别与不同主题相关的单词的效果。

    Jan, 2019

  • 利用可学习视角对比学习提升少样本分类

    通过引入对比损失和学习算法，本研究提升了少样本分类任务中的细分子类别鉴别能力，实现了在嵌入空间中的潜在细粒度结构学习，并通过在标准小样本学习基准测试中的广泛试验验证了该方法的优越性。

    Jul, 2021

  • 注意力 RPN 和多关系检测器的小样本目标检测

    本文提出一种新的 few-shot 目标检测网络，使用少量注释的示例检测未见过的物体类别，并通过 Attention-RPN，Multi-Relation Detector 和 Contrastive Training 策略来抑制背景误检。作者还贡献了一个包含高品质注释的 1000 个物体类别的新数据集，是针对 few-shot 目标检测的首批数据集之一。该方法在不同数据集上取得了新的最佳性能表现，具有广泛的潜在应用。

    Aug, 2019