关键词shared-private paradigm
搜索结果 - 5
- 多领域文本分类的随机对抗网络
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 - 基于边缘差异的域间文本分类对抗训练
多领域文本分类(MDTC)是利用相关领域的可用资源来提高目标领域的分类准确性。本研究提供了关于 MDTC 的理论分析,将其分解为多个领域适应任务,并以边缘差异作为领域差异的度量,建立了一个基于 Rademacher 复杂度的新的泛化界限,并 - 多领域文本分类的正则化条件对齐
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 - 多域文本分类的 Co 正则化对抗学习
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 - 多领域文本分类的 Mixup 正则化对抗网络
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 F