Sep, 2024

通过多源元学习实现文本分类未见领域的泛化

HTML
PDF
TL;DR本研究解决了现有文本分类模型在新挑战性未见领域的泛化能力不足这一问题。提出了一种多源元学习框架，通过模拟模型对未见领域的泛化过程，并引入记忆机制和“陪审团”机制，以提取域相关特征和学习足够的域不变特征。实验结果表明，该框架显著提高了模型在未见领域的泛化能力，并在多源文本分类数据集上超越了最先进的方法。
发现论文，激发创造
  • 语义解析中的领域泛化元学习

    本文尝试使用基于元学习的框架，旨在实现语义解析的零-shot泛化能力，实验结果表明，这种方法对Spider数据集上的解析表现有显著的提升。

    Oct, 2020

  • 泛化到未见领域：关于领域泛化的调查

    这篇论文是对近年来领域泛化（即在一个或多个不同但相关的领域中学习出可以推广到看不见的测试领域的模型）领域的最新进展的首次回顾，涵盖了相关的理论、算法、数据集、应用，并提出了未来的研究方向。

    Mar, 2021

  • 领域增强元学习的开放域泛化

    本文研究了开放域泛化的问题，提出了一种基于元学习的域增强框架(DAML)，通过特征层次和标签层次上的增强，综合不同领域的知识，提高在不同领域泛化能力的性能。实验结果表明，DAML方法在未知领域识别方面表现优越。

    Apr, 2021

  • 元学习对抗域适应网络用于小样本文本分类

    本文提出了一种新的元学习框架，集成对抗域适应网络，旨在提高模型的适应能力并为新类别生成高质量的文本嵌入。在四个基准数据集上进行了大量实验，结果表明我们的方法在所有数据集上都明显优于现有技术，特别是在20个新闻组数据集上，1-shot和5-shot分类的准确性从52.1％提高到59.6％和从68.3％提高到77.8％。

    Jul, 2021

  • 多源域自适应的元自学习：基准

    本文的研究着重于文本识别问题，通过提出元自学习方法(Meta Self-Learning)和收集包含5个不同领域的超过5百万张图像的多源领域适应数据集，提供了一个基准测试，实验结果证明了我们的方法的有效性。

    Aug, 2021

  • 利用领域特定特征增强领域泛化

    本文提出了一种新颖的理论框架meta-Domain Specific-Domain Invariant（mDSDI），通过元学习框架优化是领域特定表示，并通过同时学习领域特定和领域不变特点，在潜在空间中区分特征，从而针对源域进行自适应，并在未知域上获得强大的泛化能力，实验证明这种方法在领域一般化中具有竞争力。

    Oct, 2021

  • MVDG：用于域泛化的统一多视角框架

    本文提出了一种基于多视角的领域泛化框架，利用多任务和多视角的元学习进行模型训练和更新，有效降低模型过拟合和不稳定预测问题，并在三个基准数据集上得到较好的结果，优于目前的一些最先进方法。

    Dec, 2021

  • 通过元知识编码实现化合物领域的通用性泛化

    通过元知识编码的混合域泛化：我们介绍了一种自动发现和建模潜在域的通用方法来解决复合域泛化问题。我们首先引入样式诱导域特定归一化（SDNorm）来重新规范多模态潜在分布，然后使用原型表示在嵌入空间中进行关系建模，超越了目前各项性能而无需域监督。

    Mar, 2022

  • 检索增强的元学习用于低资源文本分类

    基于检索增强元学习 (RAML) 的元学习方法，通过从外部语料库中检索非参数性知识以进行推理，以解决元学习场景中缺乏多样化训练数据导致的泛化性能差的问题，并在低资源文本分类任务中显著优于当前最优模型。

    Sep, 2023

  • 领域泛化通过元学习: 一项调查

    深度神经网络在人工智能领域带来了革命性的进展，但面对分布转移时常常缺乏性能。传统神经网络假设训练和测试数据服从同一分布，然而实际应用中这一假设经常被违反。元学习作为一种有前景的方法，通过获取可传递的知识来快速适应各种任务，从而消除了从头学习每个任务的需求。本文基于特征提取策略和分类器学习方法的新分类法，全面调查了元学习在领域泛化方面的贡献，详细介绍了该领域的基础知识，并提供了关于未来研究方向的实践见解和深入讨论。

    Apr, 2024