通过混合时序专家检视并适应多语言分类中的时间

时间在分类过程中被隐式嵌入：分类器通常基于现有数据构建，而要应用于未来数据，其分布（如标签和词汇）可能发生变化。然而，现有的领先分类模型仅考虑时间变化，主要关注英语语料库，这导致在多语言设置下对时间研究的探索有限。本研究通过将时间视为域（例如2024年与2025年）来弥补这一空白，检视时序效应，并开发一种在多语言环境下对分类器进行时序泛化适应的域适应框架。我们的框架提出混合时序专家（Mixture of Temporal Experts, MoTE）以整合语义变化和数据分布变化，以学习和适应分类模型中的时序趋势。我们的分析表明，随着时间推移，不同语言的分类性能会发生变化，我们通过实验演示，MoTE能够增强分类器在时序数据变化方面的泛化能力。我们的研究提供了分析性见解，满足开发在多语言情境下表现稳健的时序感知模型的需求。