基于对比学习与互信息最大化的跨域情感分类
计算与语言
2020-11-13 v2 机器学习
摘要
对比学习（CL）作为一种强大的表示学习方法已取得成功。在这项工作中，我们提出 CLIM：带互信息最大化的对比学习，以探索 CL 在跨域情感分类上的潜力。据我们所知，CLIM 是首个将对比学习用于自然语言处理（NLP）跨域任务的。由于目标域标签稀缺，除 CL 外我们引入互信息最大化（MIM）以利用最能支持最终预测的特征。此外，MIM 能够维持模型预测相对均衡的分布，并增大目标域上类间的间隔。较大的类间间隔提升了我们模型的鲁棒性，并使同一分类器在各域上均最优。因此，我们在 Amazon 评论数据集以及航空公司数据集上取得了新的 SOTA 结果，显示了我们提出的方法 CLIM 的 efficacy（注：原文如此，意为有效性）。
引用
@article{arxiv.2010.16088,
title = {Cross-Domain Sentiment Classification with Contrastive Learning and Mutual Information Maximization},
author = {Tian Li and Xiang Chen and Shanghang Zhang and Zhen Dong and Kurt Keutzer},
journal= {arXiv preprint arXiv:2010.16088},
year = {2020}
}
备注
5 pages, 1 figure