Oct, 2023

XAI-CLASS：具有极弱监督的解释增强文本分类

PDF
TL;DRXAI-CLASS 是一种解释增强的极弱监督文本分类方法，通过加入词语显著性预测作为辅助任务，利用多轮问答过程生成伪训练数据，促进类别标签和相应解释词生成的相互增强，从而通过多任务框架同时学习文本分类和词语显著性预测，实验表明 XAI-CLASS 显著优于其他弱监督文本分类方法，同时提高模型性能和可解释性。
text classificationweakly-supervisedextremely weakly-supervisedexplanation-enhancedxai-class
发现论文，激发创造
  • X-Class: 极弱监督文本分类

    本文提出一种基于弱监督模型下的文本分类方法，利用表面类名进行自适应表示学习，通过一个新的框架 X-Class，通过计算类别间相似性和类别特征相似度，完成文档表示和分类，实验表明该方法在多个基准数据集上表现良好。

    Oct, 2020

  • 弱监督神经文本分类

    本文提出了一种弱监督文本分类方法，其包括一个利用种子信息生成伪标签文档进行模型预训练的伪文档生成器和一个在真实未标记数据上引导模型改进的自训练模块，具有处理不同类型弱监督任务和易于与深度神经网络模型集成等优点，并在三个真实数据集上进行了广泛的实验，结果表明其大幅优于基准方法而不需要过多的训练数据。

    Sep, 2018

  • 弱监督层次文本分类

    本文提出了一种弱监督的神经方法进行层次文本分类，通过生成伪文档进行模型预训练，并在真实无标签数据上进行自我训练，最终得到高效准确的分类模型。

    Dec, 2018

  • FastClass：一种高效的弱监督文本分类方法

    本文提出了一种有效的弱监督分类方法 FastClass，它使用密集文本表示从外部无标签语料库中检索与类相关的文档，并选择最优子集来训练分类器，相比关键词驱动方法，我们的方法对初始类描述的依赖性更低且训练速度更快，实验证明在广泛的分类任务上，该方法的分类准确性通常优于关键词驱动模型并且训练速度对比关键词驱动方法快得多。

    Dec, 2022

  • MEGClass: 通过相互增强的文本粒度进行极弱监督文本分类

    提出了一个非常弱监督的文本分类方法 MEGClass，利用一种基于关键字的类定向句子和类表示方法，通过多头注意力网络进行分类，使用迭代反馈提高类表示，细调预训练分类器，相比于其他弱监督方法，MEGClass 在六个基准数据集上表现出更好的性能。

    Apr, 2023

  • WOT-Class：弱监督开放领域文本分类

    本文提出了一种弱监督开放世界文本分类的框架 WOT-Class，其中通过迭代聚类、挖掘和排名象征性单词以及使用重叠的象征性单词作为桥梁来合并冗余类别，可实现有限的监督训练遍及可知和未知类别，并在 7 个流行的文本分类数据集上进行了广泛实验，表明 WOT-Class 具有比现有方法更好的性能和实用潜力。

    May, 2023

  • 全文科学论文的弱监督多标签分类

    本研究提出了一种使用交叉文献网络结构和文内层级结构进行弱监督下的全文科学论文分类的框架 (FUTEX)，具有网络感知对比微调模块和层次感知聚合模块，实验结果表明它显著优于具有竞争力的基线，并且可以与使用 1000 到 60000 真实标签样本的完全监督分类器相媲美。

    Jun, 2023

  • SemSup-XC: 用于零和少样本极端分类的语义监督

    本研究开发了 SemSup-XC 模型，利用混合匹配模块将输入实例与语义类别描述相匹配，通过对比学习，实现了在三个 XC 数据集上对零样本和少样本的最新成果，得分提升了 12 个精度点以上。

    Jan, 2023

  • AS-XAI: 卷积神经网络的自我监督自动语义解释

    提出自我监督的自动语义可解释人工智能框架 (AS-XAI)，利用透明正交嵌入语义提取空间和行居中主成分分析 (PCA) 来全局语义解释模型决策，在没有人为干预的情况下产生了人可理解的解释。

    Dec, 2023

  • AutoWS: 文本分类自动化弱监督框架

    提出了 AutoWS 框架用于增加弱监督过程的效率，减少对领域专家的依赖性，使用少量标记的实例和自动创建标注函数的方法来指定嘈杂标签，然后通过一个下游歧别分类器将其聚合成概率标签。

    Feb, 2023