结合对抗训练与图嵌入的领域自适应
机器学习
2018-05-15 v1 机器学习
摘要
深度神经网络（DNN）的成功严重依赖于标记数据的可用性。然而，在许多现实问题中，获取标记数据是一项巨大挑战。在这种情况下，DNN 模型可以利用来自相关领域的标记和未标记数据，但必须处理源域和目标域之间数据分布的偏移。在本文中，我们研究了危机事件（例如地震）期间社交媒体帖子的分类问题。为此，我们使用了过去相似事件（例如洪水）的标记和未标记数据，以及当前事件的未标记数据。我们提出了一种新颖的模型，该模型在单一的统一深度学习框架内，执行基于对抗学习的领域自适应以处理分布漂移，并执行基于图的半监督学习以利用未标记数据。我们在从 Twitter 收集的两个真实危机数据集上的实验表明，相较于多个基线方法取得了显著提升。
引用
@article{arxiv.1805.05151,
title = {Domain Adaptation with Adversarial Training and Graph Embeddings},
author = {Firoj Alam and Shafiq Joty and Muhammad Imran},
journal= {arXiv preprint arXiv:1805.05151},
year = {2018}
}
备注
This is a pre-print of our paper accepted to appear in the proceedings of the ACL, 2018