用于讽刺检测的隐空间优化对抗神经迁移
机器学习
2021-08-17 v3 计算与语言
摘要
讽刺检测存在多个数据集,这促使我们应用迁移学习以利用它们的共性。对抗神经迁移(ANT)框架利用多个损失项,在优化特定域性能的同时鼓励源域与目标域特征分布相似。然而,这些目标可能相互冲突,导致优化困难以及有时迁移效果减弱。我们提出一种广义隐空间优化策略,允许不同损失相互适应并改善训练动态。所提方法优于迁移学习与元学习基线。特别地,我们在 iSarcasm 数据集上相较先前最先进水平取得 10.02% 的绝对性能提升。
引用
@article{arxiv.2104.09261,
title = {Latent-Optimized Adversarial Neural Transfer for Sarcasm Detection},
author = {Xu Guo and Boyang Li and Han Yu and Chunyan Miao},
journal= {arXiv preprint arXiv:2104.09261},
year = {2021}
}
备注
14 pages, 5 figures, published at NAACL-HLT 2021 conference, see https://www.aclweb.org/anthology/2021.naacl-main.425/