面向低资源文本分类的知识感知元学习
计算与语言
2021-09-13 v1 机器学习
摘要
元学习在利用历史学习知识促进新任务的学习过程方面取得了巨大成功。然而，当前元学习算法仅从历史任务中学习知识，当测试任务得不到训练任务的良好支持时，可能无法很好地泛化到测试任务。本文研究低资源文本分类问题，并通过利用外部知识库来弥合元训练与元测试任务之间的差距。具体而言，我们提出 KGML，为从提取的句子特定知识图谱中学习的每个句子引入额外的表示。在三个数据集上的广泛实验证明了 KGML 在有监督自适应和无监督自适应设置下的有效性。
引用
@article{arxiv.2109.04707,
title = {Knowledge-Aware Meta-learning for Low-Resource Text Classification},
author = {Huaxiu Yao and Yingxin Wu and Maruan Al-Shedivat and Eric P. Xing},
journal= {arXiv preprint arXiv:2109.04707},
year = {2021}
}
备注
Accepted by EMNLP 2021