学会学习以消歧：面向少样本词义消歧的元学习
计算与语言
2020-10-13 v3 机器学习
摘要
深度学习方法的成功依赖于可用于相关任务的大规模标注训练数据集。与人类智能相反，这些方法缺乏通用性，难以快速学习并适应标注数据稀缺的新任务。元学习旨在通过对大量少样本任务训练模型来解决此问题，其目标是从少量示例中快速学习新任务。本文中，我们提出一种面向少样本词义消歧（WSD）的元学习框架，其目标是从仅少量标注实例中学习消歧未见词。元学习方法迄今通常在 N 类 K 样本分类设定下测试，其中每任务有 N 类、每类 K 个示例。由于其本质，WSD 偏离这一受控设定，并要求模型处理大量高度不平衡的类别。我们将几种流行的元学习方法扩展到该场景，并分析它们在这一新挑战性设定下的优势与不足。
引用
@article{arxiv.2004.14355,
title = {Learning to Learn to Disambiguate: Meta-Learning for Few-Shot Word Sense Disambiguation},
author = {Nithin Holla and Pushkar Mishra and Helen Yannakoudakis and Ekaterina Shutova},
journal= {arXiv preprint arXiv:2004.14355},
year = {2020}
}
备注
Camera-ready: Findings of EMNLP