面向融合的学习：一种用于情感分类的多源迁移学习框架
计算机视觉与模式识别
2023-03-17 v1
摘要
迁移学习在深度学习中起着至关重要的作用，可显著改善训练数据不足的目標域性能。我们的工作超越了使用单一预训练模型进行迁移学习的常见做法。我们聚焦于越南语情感分类任务，提出 LIFA，一种从若干预训练模型学习统一嵌入的框架。我们进一步提出两种 LIFA 变体，促使预训练模型彼此协作或竞争。研究这些变体揭示了 LIFA 的成功之处：模型间共享知识对迁移学习更为有益。此外，我们构建了 AISIA-VN-Review-F 数据集，首个大规模越南语情感分类数据库。我们在 AISIA-VN-Review-F 与现有基准上进行了大量实验，以证明 LIFA 相较于其他技术的有效性。为贡献越南语 NLP 研究，我们在录用后向研究界公开源代码与数据集。
引用
@article{arxiv.2303.09115,
title = {Learning for Amalgamation: A Multi-Source Transfer Learning Framework For Sentiment Classification},
author = {Cuong V. Nguyen and Khiem H. Le and Anh M. Tran and Quang H. Pham and Binh T. Nguyen},
journal= {arXiv preprint arXiv:2303.09115},
year = {2023}
}
备注
Information Sciences