战略文本增强：NLP模型发展的全面研究——增强方法与课程策略
计算与语言
2024-02-15 v1 人工智能
摘要
本研究对文本增强技术进行彻底的评估，涵盖多种数据集和自然语言处理（NLP）任务，以解决这些方法缺乏可靠、普遍性证据的问题。它考察了这些技术在增强训练集以提高任务性能方面的有效性，包括主题分类、情感分析和仇恨语言检测等任务。研究强调不仅关注增强方法，还关注在训练期间引入真实与增强实例的策略性顺序。本研究的重要贡献是开发和评估了用于增强数据集的修改循环课程学习（MCCL），该方法代表了该领域的一种新方法。结果表明，特定的增强方法，尤其是与 MCCL 集成时，显著优于传统训练方法，在 NLP 模型性能方面表现更佳。这些结果凸显了在各种 NLP 任务中选择增强技术和序列策略以优化速度与质量改进之间的平衡的必要性。本研究得出结论，使用增强方法，尤其是与 MCCL 结合，可在各种分类任务中实现更好的结果，为 NLP 中文本增强策略的未来进步奠定了基础。
引用
@article{arxiv.2402.09141,
title = {Advancing NLP Models with Strategic Text Augmentation: A Comprehensive Study of Augmentation Methods and Curriculum Strategies},
author = {Himmet Toprak Kesgin and Mehmet Fatih Amasyali},
journal= {arXiv preprint arXiv:2402.09141},
year = {2024}
}