用于多领域文本分类的条件对抗网络
机器学习
2021-02-23 v1 计算与语言
摘要
在本文中，我们提出条件对抗网络（CANs），这是一个通过探索共享特征与标签预测之间的关系来为共享特征施加更强判别性的框架，用于多领域文本分类（MDTC）。所提出的 CAN 引入条件领域判别器，同时在共享特征表示和类别感知信息中建模领域差异，并采用熵条件化来保证共享特征的可迁移性。我们对 CAN 框架进行了理论分析，表明 CAN 的目标等价于最小化共享特征与标签预测的多个联合分布之间的总散度。因此，CAN 是一个在理论上严谨的、对多个分布进行判别的对抗网络。在两个 MDTC 基准上的评估结果表明，CAN 优于先前的方法。进一步的实验表明，CAN 具有良好的将所学知识泛化到未见领域的能力。
引用
@article{arxiv.2102.10176,
title = {Conditional Adversarial Networks for Multi-Domain Text Classification},
author = {Yuan Wu and Diana Inkpen and Ahmed El-Roby},
journal= {arXiv preprint arXiv:2102.10176},
year = {2021}
}
备注
The Second Workshop on Domain Adaptation for NLP at EACL2021