基于聚类的归纳式无监督域适应少样本分类
计算与语言
2020-06-24 v1
摘要
少样本分类在需要适应多样化领域时往往表现不佳。由于领域间标签空间不重叠,传统域适应的性能受到限制。先前的工作以直推式方式解决该问题,即假设可访问完整测试数据,这对许多实际应用而言过于受限。本文提出一种归纳式框架 DaFeC,通过聚类提升少样本分类的域适应性能。我们首先构建表示提取器为目标域的无标签数据提取特征(无需测试数据),随后用聚类挖掘器对其进行分组。生成的伪标签数据与有标签的源域数据作为监督信号来更新少样本分类器的参数。为获得高质量伪标签,我们提出聚类促进机制,通过相似度熵最小化与对抗分布对齐(结合余弦退火策略)为目标域学习更好的特征。实验在 FewRel 2.0 数据集上进行。在四种少样本设定下,我们的方法分别以 4.95%、9.55%、3.99% 和 11.62% 的绝对准确率增益优于先前工作。
引用
@article{arxiv.2006.12816,
title = {Inductive Unsupervised Domain Adaptation for Few-Shot Classification via Clustering},
author = {Xin Cong and Bowen Yu and Tingwen Liu and Shiyao Cui and Hengzhu Tang and Bin Wang},
journal= {arXiv preprint arXiv:2006.12816},
year = {2020}
}
备注
Accepted by ECML-PKDD 2020