基于边缘差异的域间文本分类对抗训练
本文提出了一种基于共正则化的对抗学习机制,用于多领域文本分类,通过构建两个不同的共享潜在空间,在其中进行每个 domain 的域对齐,并通过惩罚两个对齐在未标记数据上的预测不一致性来进行特征学习。同时,此方法还结合了虚拟对抗训练进行一致性正则化。实验表明该模型在两个 MDTC 基准测试上优于现有方法。
Jan, 2022
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
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
本研究提出了一个名为 MRAN 的混合正则化对抗网络,通过引入领域和类别的混合正则化来增强共享潜在空间内在特征,并在训练实例之间强制执行一致的预测,以使学习到的特征更具领域内部不变性和区分性,实验结果表明对于 Amazon 评论数据集和 FDU-MTL 数据集分别获得了 87.64%和 89.0%的平均准确率,优于所有相关基线模型。
Jan, 2021
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
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
提出了一种基于边界损失的领域一般化方法(MADG 算法),该算法通过培训过程中的对抗性学习和学习域不变特征来有效地泛化到看不见的目标域,同时通过边界损失和 Rademacher 复杂性进行理论分析,实验证明在各种真实 DG 数据集的基准测试上表现一致。
Nov, 2023
本文提出了一种新的域自适应方法 Adversarial Tight Match(ATM),它结合了对抗训练和度量学习的优点,使用 Maximum Density Divergence(MDD)来量化分布差异,使其能够在经典和大型基准测试上实现新的最先进性能。
Apr, 2020
本文提出一种多重对抗领域自适应方法 (MADA),能够捕获多模态结构,利用多个领域判别器实现不同数据分布的精细对齐,利用随机梯度下降计算梯度,证据表明该模型在标准领域自适应数据集上优于现有最先进方法。
Sep, 2018
该研究提出了一种基于 APAT 和自我培训的条件引导适应框架,能够有效地推理出目标域中的多模态特征,从而提高语义分割模型在天气等异构子域中的鲁棒性。各种实验结果表明,该方法(DCAA)在目标域的天气变化等复杂情景下,相比基线和现有方法有着显著的优越之处。
Dec, 2020