基于交叉注意力原型网络与对比学习的不一致少样本关系分类
机器学习
2021-10-19 v1 计算与语言
摘要
标准少样本关系分类（RC）旨在仅用每类少量标注数据学习一个鲁棒分类器。然而，以往工作很少研究训练与测试期间类别数（即 -way）和每类标注数据数（即 -shot）不同所造成的影响。在本文中，我们定义了一项新任务，即不一致少样本 RC，其中模型需要处理训练与测试之间 和 的不一致性。为解决该新任务，我们提出基于原型网络的交叉注意力对比学习（ProtoCACL），以捕捉支持集与查询集之间丰富的相互交互。实验结果表明，在不一致 和不一致 设定下，我们的 ProtoCACL 均能优于最先进的基线模型，这归功于其更鲁棒且更具判别性的表示。此外，我们发现在不一致少样本学习设定中，通过精心选择的 和 ，模型可以用比标准少样本设定更少的训练数据取得更好的性能。在文末，我们提供了进一步的分析与建议，以在不同场景下系统性地指导 和 的选择。
引用
@article{arxiv.2110.08254,
title = {Inconsistent Few-Shot Relation Classification via Cross-Attentional Prototype Networks with Contrastive Learning},
author = {Hongru Wang and Zhijing Jin and Jiarun Cao and Gabriel Pui Cheong Fung and Kam-Fai Wong},
journal= {arXiv preprint arXiv:2110.08254},
year = {2021}
}