基于嵌入空间正则化与数据增强的持续少样本关系学习
计算与语言
2022-03-07 v1 机器学习
摘要
现有的持续关系学习(CRL)方法依赖大量标注训练数据来学习新任务，而在实际场景中这难以获取，因为获得大规模且具有代表性的标注数据通常昂贵且耗时。因此，模型有必要以极少标注数据学习新颖关系模式，同时避免对先前任务知识的灾难性遗忘。在本文中，我们将这一具挑战性但实用的问题表述为持续少样本关系学习(CFRL)。基于新出现的少样本任务学习常导致与先前任务所学分布不兼容的特征分布这一发现，我们提出了一种基于嵌入空间正则化和数据增强的新方法。我们的方法通过对关系嵌入施加额外约束并以自监督方式添加额外{相关}数据，泛化到新的少样本任务并避免对先前任务的灾难性遗忘。通过大量实验，我们证明了我们的方法在CFRL任务设定下可显著优于先前的最先进方法。
引用
@article{arxiv.2203.02135,
title = {Continual Few-shot Relation Learning via Embedding Space Regularization and Data Augmentation},
author = {Chengwei Qin and Shafiq Joty},
journal= {arXiv preprint arXiv:2203.02135},
year = {2022}
}
备注
ACL 2022