通过自监督分层任务聚类解耦少样本文本分类任务关系

Nov, 2022

通过自监督分层任务聚类解耦少样本文本分类任务关系

Disentangling Task Relations for Few-shot Text Classification via Self-Supervised Hierarchical Task Clustering

Juan Zha, Zheng Li, Ying Wei, Yu Zhang

TL;DR本文提出了一种自我监督的层次任务聚类 (SS-HTC) 方法，通过动态地将异构任务组织到不同层次的簇中来自定义聚类特异性知识，并分离任务之间的潜在关系以提高可解释性，以应对任务异构性，实验结果表明 SS-HTC 的有效性。

Abstract

few-shot text classification (FSTC) imitates humans to learn a new text classifier efficiently with only few examples, by leveraging prior knowledge from historical tasks. However, most prior works assume that all the tasks are sampled from a single data source, which cannot adapt to r

few-shot text classification task heterogeneity self-supervised hierarchical task clustering hierarchical levels interpretability

发现论文，激发创造

检索式上下文学习用于少样本层次文本分类

本研究提出了第一个以预训练语言模型为基础的在语境学习框架来从检索数据库中识别相关演示，并采用迭代策略处理多层次层级标签的少样本分类任务，通过不同目标实现对输入文本的层级分类，得到优越的实验结果，在少样本的层次分类任务中取得了最先进的成果。

Jun, 2024

短文本聚类的联邦学习

本文提出了一种面向分布式短文本聚类的联邦鲁棒短文本聚类（FSTC）框架，该框架通过创新地将最优输运与高斯 - 均匀混合模型相结合，旨在以有效的数据训练模型并确保伪有监督数据的可靠性，在客户端间以高效的方式交换知识而不共享原始数据，从而显著优于基准联邦短文本聚类方法。

Nov, 2023

通过分层聚合实现树形结构感知的 Few-Shot 图像分类

通过预设任务获得的知识可以增强 few-shot 学习的性能，本文提出了一种插件式的层次树结构方法 (HTS)，通过层次树构建和选择汇聚组件在下游任务中选择和整合最佳特征表征来适应新颖类别，实验结果表明，该方法在四个基准数据集上实现了新的最佳性能。

Jul, 2022

自我训练学习用于半监督少样本分类

本文提出了一种新颖的半监督元学习方法，称为学习自我训练（LST），通过使用无标签数据和元学习来自动加标和改进模型，取得了在 ImageNet 数据库上半监督 few-shot 分类领域中最新方法无法超越的良好分类效果。

Jun, 2019

层次文本分类的约束序列到树生成

本文提出一种基于序列生成的序列到树框架（Seq2Tree）用于建模层次标签结构的方法，在约束解码策略的基础上，使用动态词汇来保证结果的标签一致性，相较于以往的方法，在三个基准数据集上实现了显著且一致的改进。

Apr, 2022

基于种子的专家设计分类体系的分层聚类

本文提出 HierSeed 方法，它是一种弱监督算法，使用少量标记示例将未标记数据自适应拟合到专家制定的分类法中。它通过权衡文档密度和主题分层结构来分配文档到主题，并在三个真实数据集上优于 SHC 任务的无监督和有监督基线。

May, 2022

层次感知联合对比学习实例和标签用于层次多标签文字分类

通过使用层次化多标签文本分类和对比学习的方法，提出了一种叫做 HJCL 的方法来解决半监督学习中样本生成引入噪声的问题，并构造批次数据以实现对比学习目标的完全利用。

Oct, 2023

使用分层任务图的少样本图分类模型 FAITH

提出了一种新的少样本学习框架 FAITH，通过构建分层任务图并设计基于损失的采样策略来捕获任务相关性，利用学习到的任务之间的相关性进行少样本图分类，实验结果表明其在四个流行的少样本图分类数据集上表现优于其他现有方法。

May, 2022

分层结构元学习

本文提出了一种基于梯度的分层结构的元学习方法，该方法通过任务聚类结构以及自适应知识传递来解决元学习中任务不确定性和异质性问题，并在玩具回归和少样本图像分类问题中取得了最优表现。

May, 2019

利用类层次挖掘的实例级少样本学习

本文提出了一种利用层次信息进行分类的几乎无监督的实例级别小样本学习方法，称为 Soft Multiple Superclass (SMS)。该方法采用了一种新的超类方法来自动创建基本和新的类的层次结构，关注基本类别的相关特征以有效分类新对象，并将标签细化来进一步描述细粒度类别之间的关联。在 FSIS 基准测试中，广泛的实验表明了该方法的有效性。

Apr, 2023